تشخيص بيماري آلزايمر با استفاده از يادگيري عميق و تصاوير پزشكي

بيماري آلزايمر (‏AD) شايع‌ترين علت زوال عقل و يكي از علل اصلي مرگ و مير در دنيا مي باشد. AD يك اختلال عصبي پيش‌رونده و غيرقابل‌برگشت است كه باعث از دست رفتن حافظه و مهارت تفكر مي‌شود بنابراين تشخيص به هنگام براي مهار روند رشد بيماري و درمان هاي پيشگيرانه در مراحل اوليه موثرتر خواهد بود. شواهد علمي نشان داده اند كه تصويربرداري fMRI نسبت به تغييرات مغز در مراحل اوليه ي بيماري حساس است و همچنين fMRI حالت استراحت يكي از ابزارهاي مناسب جهت مطالعه و بررسي اين تغييرات است. با پيشرفت و توسعه ي شبكه هاي يادگيري عميق، تشخيص خودكار بيماري ها با استخراج الگوهاي مناسب، امكان پذير شده است. هدف ما در اين پژوهش، استفاده از قدرت شبكه هاي عصبي عميق و ارائه ي يك روش خودكار جهت تشخيص و طبقه بندي و نمونه هاي سالم(HC) از بيماران آلزايمر و اختلال شناختي خفيف (MCI) است. در اين مطالعه، ابتدا بر اساس داده هاي fMRI حالت استراحت، اتصالات مغزي مربوط به هر فرد محاسبه مي شود و به اين ترتيب با تشكيل ماتريس هاي اتصالات مغزي، اطلاعات مربوط به شبكه ي مغزي هر فرد ساخته مي شود. مطالعات نشان داده اند، اتصالات مغزي بهتر از ويژگي هاي ديگر مي توانند بازگوي ويژگي هاي عملكردي مغز و حالات ذهني بيماران آلزايمر باشند. ماتريس هاي اتصالات مغزي بعنوان ورودي شبكه ي يادگيري عميق ResNet18 تعيين شدند تا جداسازي انجام گيرد. طبقه بندي دو به دوي سه مرحله از بيماري (HC، AD و MCI) با ميانگين دقت ۹۷/۹۷ ٪ انجام گرديد. نتايج به دست آمده از اعمال روش انجام شده نشان مي دهد كه روش پيشنهادي توانسته است در برخي حالات، نسبت به روش طبقه بندي كلاسيك بهبود ايجاد كند.