تفكيك غيرخطي تصاوير وزن‌دار مغزي به منظور تشخيص بيماري آلزايمر

تفكيك غيرخطي تصاوير وزن‌دار مغزي به منظور تشخيص بيماري آلزايمر

در اين مقاله روشي براي تشخيص بيماري آلزايمر پيشنهاد شده است كه با استفاده از تحليل تصاوير MR مغزي، شامل دو گروه وزن‌دار با 1T و وزن‌دار با 2T، افراد بيمار را شناسايي مي‌كند. با توجه به تفاوت‌هاي ماهيتي ميان تصاوير وزن‌دار با 1T و وزن‌دار با 2T، ويژگي‌هاي متفاوتي را از آنها استخراج نموده، سپس با بررسي مقادير ويژه حاصل از اين ويژگي‌ها، ابعاد فضاي آناليز را كاهش داديم و خروجي را به دو تفكيك كننده غيرخطي اعمال كرديم. بدين ترتيب به‌طور همزمان و موازي، تصاوير وزن‌دار با 1T و وزن‌دار با 2T تحليل شدند. سپس چون بيماري آلزايمر بخش خاكستري و سفيد مغز را بيش از قسمت‌هاي سياه و حاشيه‌اي آن (مانند بخش‌هايي موسوم به برآمدگي‌هاي چين خورده مغز و همچنين سينوس‌ها) مورد هجوم قرار مي‌دهد و همچنين با توجه به اينكه تصاوير وزن‌دار با 1T حاوي اطلاعات بخش خاكستري و سفيد مغز و تصاوير وزن‌دار با 2T حاوي اطلاعات مربوط به بخش خاكستري و سياه است، نتايج به‌دست آمده از تصاوير وزن‌دار با 1T را به تصاوير وزن‌دار با 2T ارجحيت داده، وزن بيشتري را به آن اختصاص داديم تا پاسخ نهايي حاصل شود. در اين مقاله از 120 تصوير وزن‌دار با 1T و وزن‌دار با 2T شامل مقطع‌هاي مختلف مغزي استفاده شده است كه بعد از انطباق، به دو بخش آموزشي و آزمون طبقه‌بندي شده‌اند. نتايج، حاكي از تشخيص صحيح حدود سه چهارم تصاوير است.

In this paper, an MRI-based diagnosing approach has been proposed which simultaneously analyzes T1-MR and T2-MR images. The dataset contains 120 cross-sectional images of abnormal and also normal brains as control group. Due to inherent proprieties of T1 and T2 images and their principal differences, particular features have been extracted from each image. Then, more meaningful data has been structured by automatically eliminating redundant data and generating a semi-linear combination of the remaining features. Considering the fact that Alzheimerʹs disease mainly damages the gray and white matter of the brain and knowing that these parts of the brain can be more clearly observed in T1 images, the classifier which works under a nonlinear structure, allocates more weight for processing the T1 images comparing to T2 image. The images, after being registered, have been processed in two groups of training and test sets. According to the results, three forth of the dataset which was obtained from Harvard Universityʹs dataset (The Whole Brain Atlas) has been correctly diagnosed.