عنوان

مدلسازی مشخصات دینامیکی شبکه های اتصالات کارکردی در افراد دارای اختلال طیف اوتیسم

پ۲۹۲۵۹

per

مدلسازی مشخصات دینامیکی شبکه های اتصالات کارکردی در افراد دارای اختلال طیف اوتیسم

رضا صلحی وند

برق و کامپیوتر

۱۴۰۲

۱۰۲ص.

سی دی

کارشناسی ارشد

مهندسی پزشکی

۱۴۰۲/۰۶/۱۳

اختلال طیف اوتیسم، یک اختلال رشدی مغزی پیچیده است که تشخیص و مداخله سریع را برای بهبود نتایج تقاضا می‌کند. این پایان‌نامه ضرورت تشخیص سریع اوتیسم را بررسی می‌کند و تأکید بر پنجره زمانی بحرانی برای مداخله زودهنگام دارد. ما نقش حیاتی تکنیک‌های یادگیری ماشین در تشخیص اختلالات مغزی را با تأکید بر اختلال طیف اوتیسم نشان می‌دهیم.مطالعه ما از داده‌های fMRI به عنوان یک ابزار قدرتمند برای درک عملکرد مغز استفاده کرد. پیش از تجزیه و تحلیل، تصاویر fMRI به دقت از مراحل پیش پردازش عبور کردند. سیگنال‌های ROI با دقت انتخاب شدند و سیگنال‌های عملکردی آن‌ها استخراج شدند تا ماتریس‌های همبستگی را تشکیل دهند که به عنوان ورودی‌ در الگوریتم SVM استفاده شوند. این رویکرد به ما این امکان را می‌دهد که الگوهای پیچیده در شبکه‌های ارتباطی عملکردی مغز را ضبط کنیم.علاوه بر این، ما معیارهای گرافی برای هر شبکه محاسبه کردیم که درک دقیق‌تری از توپولوژی شبکه مغزی فراهم می‌کند. طبقه‌بندی بر اساس این معیارها نتایج خوبی را نشان داد و دقت طبقه‌بندی بالاترین درصد را با تمرکز بر مرکزیت بردار ویژگی (eigenvector centrality) با دقت طبقه‌بندی 84% به دست آورد.این یافته‌ها وعده‌های مهمی را برای تحقیقات آتی در زمینه اختلالات مغزی، به ویژه اوتیسم، دارند. دقت بالا که توسط طبقه‌بندی با الگوریتم SVM به دست آمده است، به همراه دانشی که از معیارهای گرافی به دست آمده است، نه تنها درک ما از پایه‌های عصبی اوتیسم را بهبود می‌بخشد، بلکه یک راه احتمالی برای تسهیل و اسراع فرآیند تشخیص نیز ارائه می‌دهد. این تحقیق به عنوان یک قدم نخست به سوی توسعه ابزارهای تشخیصی کارآمدتر و داده‌محور که می‌توانند در زمینه تشخیص اختلالات مغزی انقلابی ایجاد کنند.

Autism Spectrum Disorder (ASD) is a complex neurodevelopmental condition that demands swift diagnosis and intervention for improved outcomes. This thesis explores the imperative of rapid ASD diagnosis, emphasizing the critical window of opportunity for early intervention. We demonstrate the pivotal role of machine learning techniques in expediting the diagnosis of brain disorders, with a focus on ASD.Our study leveraged functional Magnetic Resonance Imaging (fMRI) data as a powerful tool for understanding brain function. Prior to analysis, the fMRI images underwent comprehensive preprocessing to ensure data quality and consistency. Regions of interest (ROIs) were meticulously selected, and their functional signals were extracted to construct correlation matrices, which served as inputs for a Support Vector Machine (SVM) classifier. This approach allowed us to capture intricate patterns within the brain's functional connectivity networks.Furthermore, we computed graph metrics for each network, enabling a more nuanced understanding of brain network topology. Classification based on these metrics unveiled promising results, with the highest classification accuracy achieved through eigenvector centrality at an impressive 84%.These findings hold significant promise for future research in the realm of brain disorders, particularly ASD. The robust accuracy achieved by our SVM classifier, coupled with the insights gained from graph metrics, not only enhances our understanding of the neurobiological underpinnings of ASD but also offers a potential avenue for streamlining and expediting the diagnostic process. This research serves as a stepping stone toward the development of more efficient, data-driven diagnostic tools that can revolutionize the field of neurodevelopmental disorder diagnosis, ultimately benefiting individuals with ASD and their families.

A Dissertation Submitted in Partial Fulfillment for the Degree of Master of science.

‏صلحی وند،

رضا‏

تهیه کننده

عباسیان،‏

ماکویی،

کریم‏

‏سمیه

استاد راهنما

استاد مشاور

‏تبریز