پيش بيني بيماري آلزايمر با استفاده از الگوريتم ادغام DCA بر پايه تصاوير rs-fMRI و sMRI

Predicting Alzheimer’s Disease using DCA Fusion Algorithm based on rs-fMRI and sMRI

پيش بيني بيماري آلزايمر بر‌اساس تجزيه و تحليل شبكه مغز، موضوع بسياري از مطالعات شده است. هدف ما شناسايي تغييرات در مغز بيماراني است كه از اختلال خفيف شناختي، دچار آلزايمر شده اند يا دچار آلزايمر نشده اند، براي ارايه الگوريتمي براي طبقه بندي اين بيماران با استفاده از روش تيوري گراف و اطلاعات آماري. در اين الگوريتم، تجزيه و تحليل همبستگي متمايز را پيشنهاد كرديم و روش ادغام در سطح ويژگي براي تشخيص بيومتريك اعمال شد. با توجه به نتايج شبيه‌سازي، دقت 167/87 درصد براي پيش‌بيني بيماري آلزايمر با استفاده از تجزيه و تحليل همبستگي متمايز و طبقه‌بندي‌كننده ماشين بردار پشتيبان به‌دست آمد. همچنين تجزيه و تحليل روي گره هاي مهم مغز (هاب ها) را انجام داديم و تعدادي از نقاط مهم مغز در بيماران آلزايمري پيشرونده را پيدا كرديم. در حقيقت، اين پژوهش، اولين مطالعه شناختي با استفاده از ادغام تصوير‌برداري تشديد مغناطيسي حالت استراحت (rs-fMRI) و تصويربرداري تشديد مغناطيسي ساختاري (sMRI) براي تشخيص تبديل از اختلال شناختي خفيف به بيماري آلزايمر است. روش پيشنهادي، بر پتانسيل استفاده از داده هاي تصوير‌برداري rs-fMRI و sMRI، را براي تشخيص پيشرفت بيماري در مراحل اوليه تاكيد مي كند.

Predicting AD based on Brain network analysis has been the subject of much investigation. Here, we aim to identify the changes in brain in patients that conversion from (Mild Cognitive Impariment) MCI to AD (MCI-C) and non conversion from MCI to AD (MCI-NC), to provide an algorithm for classification of these patients by using a graph theoretical approach. In this algorithm we proposed Discriminant Correlation Analysis (DCA), feature level fusion for multimodal biometric recognition method were applied to the original feature sets. An accuracy of 86/167% was achieved for predicting AD using the DCA and the support vector machine classifier. We also performed a hub node analysis and found the number of hubs in progressive AD patients. Indeed, this is the first neuroimaging study that integrates rs-fMRI with sMRI for detecting conversion from MCI to AD. The proposed classification method highlights the potential of using both resting state fMRI and MRI data for identification of the early stage of AD.