تشخيص زودهنگام بيماري ام اس در تصاوير fMRI مغز با استفاده از تكنيك‌هاي يادگيري عميق

زمينه و هدف: ام اس نوعي بيماري سيستم عصبي مركزي است كه در آن بدن، حمله دفاعي بر روي بافت‌هاي خود انجام مي‌دهد. اين بيماري مي‌تواند بر روي مغز و نخاع تأثير بگذارد و باعث ايجاد طيف گسترده‌اي از علايم بالقوه از جمله مشكلات تعادلي، حركتي و بينايي شود. تصاوير ام آرآي و اف ام آرآي يك ابزار بسيار مهم در تشخيص و درمان بيماري ام اس است. هدف از اين مطالعه تعيين و تشخيص تشخيص زودهنگام بيماري ام اس در تصاوير اف ام آرآي مغز با استفاده از تكنيك‌هاي يادگيري عميق بود.روش بررسي: اين يك مطالعه تجربي مي‌باشد كه در سال 1399 در دانشگاه آزاد كازرون انجام شد، 1000 تصوير ام اراي از مجموعه‌داده‌هاي BRATS بودند و در دو گروه يادگيري و تست به نسبت 70 به 30 درصد وارد مطالعه شدند. در اين مطالعه يك شبكه يادگيري عميق چهار لايه مبتني بر شبكه عصبي كانولوشن در محيط متلب شبيه‌سازي ‌شده است. در ساختار يادگيري عميق كه خودش توانايي استخراج ويژگي‌ها را دارا بود، از يك روش ديگر براي اين كار استفاده كرديم؛ زيرا يادگيري عميق با اين كه توانايي استخراج ويژگي‌ها را دارد، اما اين كار را تصادفي انجام مي‌داد. براي اين كه مراحل قبلي آن به ‌صورت قطعي باشد، از يك الگوريتم ديگر در داخل حلقه‌هاي تكرار و داخل لايه پيچش استفاده كرديم تا در زمان آموزش، اولاً كاهش ابعاد ويژگي دهد، دوماً انتخاب بهترين ويژگي‌ها و سوم استخراج ويژگي‌ها را به‌صورت قطعي انجام دهد. يافته‌ها: نمايش گرافيكي منحني ROC نشان داد كه ميزان حساسيت يا پيش‌بيني درست در مقابل پيش‌بيني نادرست در اين سيستم طبقه‌بندي دودويي كه آستانه تفكيك در آن متغير است، مقدار قابل‌توجهي داشت. سطح زير اين منحني 0.8592 هم‌چنين دقت روش پيشنهادي 98.6891 درصد و ميزان حساسيت 94.8766 درصد به دست آمد.نتيجه‌گيري: با توجه ‌به فراواني بيماري ام‌اس، تشخيص زود هنگام اين بيماري و ارايه يك روش هوشمند بر اساس پردازش تصاويرfMRI براي درمان ضروري است. اين روش هوشمند سعي بر اين دارد كه بتواند در خصوص تشخيص و درمان با دقت بيشتر، شناسايي بهتر ويژگي‌ها و الگوهاي تأثيرگذار به بيماري نسبت به روش‌هاي پيشين به‌عنوان دستيار پزشكان كمك شاياني كند. در نهايت نتايج به‌دست‌آمده از اين پژوهش نشان داد كه كارايي روش پيشنهادي در سطح عالي ارزيابي شد و بهينه بودن آن را تا حد ممكن نمايش داد. بعلاوه نتايج به‌دست‌آمده، سريع بودن عمليات آموزش و آزمون داده‌ها در حجم بالا و همگرايي سريع الگوريتم را نشان داد. همچنين توسعه‌پذيري و تعميم‌پذيري آن ساده‌تر است.