پيش‌بيني بيماري آلزايمر با استفاده از الگوريتم‌هاي انتخاب ويژگي محاسبات نرم و بر پايه rs-fMRI و sMRI

Predicting Alzheimer's Disease using Soft Computing Feature selection algorithms and Based on rs-fMRI and sMRI

بيماري آلزايمر (AD)، يك بيماري پيشرفته و غيرقابل‌برگشت است كه اغلب در افراد مسن رخ مي‌دهد و به‌تدريج مناطق مغز را كه مسئول حافظه، تفكر، يادگيري و رفتار هستند، از بين مي‌برد. در اين مقاله پيش‌بيني AD بر اساس تصاوير rs-fMRI و sMRI بررسي مي‌شود. در اين مطالعه سه الگوريتم انتخاب ويژگي بر اساس روش محاسبات نرم ارائه شده، كه طبقه‌بندي MCI-C از MCI-NC با آموزش و آزمايش الگوريتم SVM انجام مي‌شود. اين اولين مطالعه‌اي است كه از ادغام rs-fMRI و sMRI براي پيش‌بيني AD استفاده كرده است. نتايج حاصل از اين مطالعه مي‌تواند به مناطق شناخته شده مغز )عملكردي و ساختاري( كه در بيماري آلزايمر دچار اختلال شده‌اند، منجر شود. علاوه بر اين، روش NBS بر روي تقسيم‌بندي‌هاي عملكردي مغز، براي جداسازي MCI-C از MCI-NC و تشخيص زير شبكه‌هايي كه داراي قابليت تشخيصي براي پيش‌بيني AD هستند، به كار گرفته شده است.

Alzheimer’s disease (AD), a progressive, irreversible neurodegenerative disorder, occurs most frequently in older adults and gradually destroys regions of the brain that are responsible for memory, thinking, learning, and behavior. In this paper, AD prediction is investigated based on rs-fMRI and sMRI analysis. Three feature selection algorithms based on soft computing method has been proposed to classify MCI-C from MCI-NC through training SVM. This is the first study used to integrate rs-fMRI and sMRI for AD prediction. The results refer to the significant brain areas (functional and structural) impaired in AD. Furthermore, NBS method on brain functional parcellations has been utilized for separating MCI-C from MCI-NC and detecting the discriminative ability networks for AD prediction.