بررسي آتروفي هيپوكامپ در تشخيص بيماري آلزايمر با استفاده از تصاويرMRI مغز

زمينه و هدف: براي درمان مؤثر بيماري آلزايمر (AD: Alzheimer Disease)، تشخيص دقيق اين بيماري و مرحله‌‌ي پيش از آن، يعني اختلال شناختي خفيف (MCI: Mild Cognitive Impairment) اهميت دارد. يكي از مهمترين روشهاي تشخيص زودهنگام AD، اندازه‌‌گيري آتروفي است كه براي اين كار از انواع اسكنهاي مغزي مانند MRI استفاده مي‌شود. هدف اصلي پژوهش حاضر ارايه يك سيستم تشخيص كامپيوتري به ‌‌منظور تشخيص زودهنگام AD، با استفاده از الگوريتم‌‌هاي يادگيري ماشين، جهت كمك به پزشكان است. سيستم پيشنهادي با بررسي آتروفي هيپوكامپ تصاوير MRI مغز، اقدام به تشخيص AD نموده و دقت تشخيص اين بيماري را نيز افزايش مي‌‌دهد. روش بررسي: در اين پژوهش با استفاده از شبكه عصبي كانولوشن و كانتور فعال، عمليات جداسازي هيپوكامپ از ساير بخشهاي مغز انجام شد و پس از آن با استفاده از طبقه‌‌بند ماشين‌‌بردار پشتيبان، سه گروه افراد سالم (NC: Normal Control) به تعداد ۴۴ مورد، افراد مبتلا به AD به تعداد ۴۵ مورد و افراد مبتلا به MCI به تعداد ۴۶ مورد تفكيك گرديدند. يافته‌ها: روش پيشنهادي در اين مطالعه ، در طبقه‌‌بندي دوكلاسه AD در برابر NC به‌‌ترتيب به ميانگين دقت، حساسيت و خاصيت ۷۷/ ۹۸ %، ۷۴/ ۹۸ %و ۹۶/ ۹۷ %دست يافت. همچنين در طبقه‌بندي دوكلاسه MCI در برابر NC، اين روش به‌‌ترتيب به ميانگين ۱۴/ ۹۶ %دقت، ۲۳/ ۹۶ %حساسيت و ۲۱/ ۸۸ %خاصيت دست يافته است. روش پيشنهادي در مقايسه با نزديكترين روش رقيب در طبقه‌بندي AD در برابر NC به ‌‌ترتيب ۶۴/ ۱ % بهبود دقت و ۸۱/ ۲ %بهبود حساسيت و در طبقه‌بندي MCI در برابر NC به‌‌ترتيب ۹/ ۸ %بهبود دقت و ۱۶/ ۲ %بهبود خاصيت را نشان داد. اين بهبود ناشي از استفاده از الگوريتم بهبوديافته تقطيع ACM، تركيب ويژگي‌‌هاي استخراجي از تصاوير هيپوكامپ با ويژگي‌‌هاي ايجاد‌‌شده از قبل توسط شبكه ImageNet، حذف ويژگي‌‌هاي نامناسب از بردار ويژگي و همچنين استفاده از شبكه عميق Inception v۳ بوده است. نتيجه‌‌گيري: بر اساس نتايج، تركيب ويژگيهاي استخراجي از چندضلعي محيطي هيپوكامپ و ويژگيهاي به‌‌دست آمده از شبكه عميق، جهت تشخيص AD و MCI مي‌‌تواند كاملا مناسب باشد