عنوان

دسته‌بندی بیماران اسکیزوفرنی و افراد سالم با ادغام اطلاعات تکنیک‌های تصویربرداری پزشکی و استفاده از یادگیری عمیق,‮‭Classification of schizophrenia patients and healthy controls using multi-modal data fusion and deep learning methods‬

Number

‭۲۳۲۵۷پ‬

.Language of Text, Soundtrack etc

per

Title Proper

دسته‌بندی بیماران اسکیزوفرنی و افراد سالم با ادغام اطلاعات تکنیک‌های تصویربرداری پزشکی و استفاده از یادگیری عمیق

Parallel Title Proper

‮‭Classification of schizophrenia patients and healthy controls using multi-modal data fusion and deep learning methods‬

First Statement of Responsibility

/بابک مسعودی

Name of Publisher, Distributor, etc.

: علوم ریاضی

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۹‬

Name of Manufacturer

، میرزائی

Specific Material Designation and Extent of Item

‮‭۸۹‬ص‬

Text of Note

چاپی - الکترونیکی

Dissertation or thesis details and type of degree

دکتری

Discipline of degree

مهندسی فناوری اطلاعات گرایش سیستم های چندرسانه‌ای

Date of degree

‮‭۱۳۹۹/۰۶/۰۴‬

Body granting the degree

تبریز

Text of Note

اسکیزوفرنی یک ناهنجاری مغزی پیچیده است که به شدت زندگی افراد مبتلا را تحت تأثیر قرار می‌صدهد .تشخیص زود هنگام این بیماری می‌صتواند روند درمان را بهبود بخشد .پزشکان عموما با مراجعه به سابقه فرد و آزمایش‌صهای بالینی قادر به تشخیص این بیماری هستند اما تشخیص دقیق خودکار بیماری همچنان یک چالش به‌صشمار می‌صرود .تحقیقات نشان داده‌صاند این اختلال مغزی به‌صدلیل تغییر در ساختار و نیز عملکرد مغز رخ می‌صدهد از این‌صرو محققان با تکیه بر داده‌صهای حاصل از تصویرصبرداری ساختاری و عملکردی مغز نظیر تصویربرداری تشدید مغناطیسی ‮‭(MRI)‬ و تصویربرداری تشدید مغناطیسی عملکردی ‮‭(fMRI)‬ و نیز روش‌صهای یادگیری ماشین سعی در توسعه‌صی روش‌صهای تشخیص دقیق اسکیزوفرنی دارند .در این رساله ما پس از بررسی کارهای انجام شده در این زمینه سه روش جهت دسته‌صبندی افراد سالم ‮‭(HC)‬ و بیماران اسکیزوفرنی ‮‭(SZ)‬ پیشنهاد می‌صکنیم .هر سه روش پیشنهادی ما مبتنی بر ادغام داده‌صها و روش‌صهای یادگیری عمیق هستند .ادغام داده‌صهای تصویربرداری پزشکی در یک اختلال مغزی نظیر اسکیزوفرنی که هر دو وجه ساختار و عملکرد مغز در آن دچار تغییر شده‌صاند، می‌صتواند ویژگی‌صهای نهفته جدیدی ایجاد کند که این ویژگی‌صها قابلیت جداسازی بهتر داده‌صها را دارا هستند .عملکرد دقیق روش‌صهای یادگیری عمیق امروزه بر کسی پوشیده نیست و انواع متفاوت آن در کاربردهایی عملی نظیر پردازش تصویر، پردازش متن و تشخیص‌صهای پزشکی استفاده شده‌صاند .در روش پیشنهادی اول که آن‌صرا‮‭MMF - DBN‬می‌صنامیم از شبکه‌صهای باور عمیق ‮‭(DBN)‬ به همراه توابعی ابتکاری جهت ادغام ویژگی‌صهای سطح پایین استخراج شده از داده‌صهای‮‭fMRI‬ ، ‮‭MRI‬ و تصاویر تانسور پخشی ‮‭(DTI)‬ استفاده کرده‌صایم .پس از ایجاد ویژگی‌صهای جدید دسته‌صبندی نیز با کمک‮‭DBN‬ صها انجام می‌صشود .در آزمایش‌صهای متعدد تعدادی از ویژگی‌صهای این داده‌صها که مبتنی بر نواحی از پیش تعیین‌صشده ‮‭(ROI)‬ هستند و بر اساس اطلس مغزی آناتومیکی برچسب‌صگذاری خودکار ‮‭(AAL)‬ استخراج می‌صشوند - را برای یافتن بهترین ترکیب با یکدیگر ادغام کردیم .بهترین نتیجه برای ادغام مقادیر دامنه نوسانات فرکانس کوتاه‮‭(ALFF)‬ ، حجم ماده خاکستری مغز ‮‭(GM)‬ و ناهمسان‌صگردی جزئی ‮‭(FA)‬ به‌صدست آمد .صحت دسته‌صبندی برای زیرگروه‌صهای ‮‭SZ/HC‬ در این حالت بر روی مجموعه داده‌صی ‮‭COBRE‬ که در همه آزمایش‌صهای انجام شده در این رساله از آن استفاده کرده‌صایم، ‮‭۹۹.۳۶‬ حاصل شد .روش پیشنهادی دوم ما که آن‌صرا‮‭MMF - ۳D‬می‌صنامیم با تکیه بر قابلیت‌صهای شبکه‌صهای کانولوشنی سه بعدی یک معماری شامل سه کانال را جهت دسته‌صبندی افراد سالم و بیمار اسکیزوفرنی پیشنهاد می‌صکند .در این روش ما از داده‌صهای ‮‭MRI‬ بدون پیش‌صپردازش اضافی نظیر قطعه‌صبندی یا تطبیق تصویر به-عنوان ورودی کانال اول استفاده می‌صکنیم .ورودی کانال دوم مقادیر مؤلفه‌صهای مستقل ‮‭(ICA)‬ که از داده‌صهای ‮‭fMRI‬ استخراج می-شوند، است و ورودی کانال سوم مقادیر ناهمسان‌صگردی جزئی ‮‭(FA)‬ مبتنی بر وکسل است که از داده‌صهای ‮‭DTI‬ بدست آمده‌صاند .هر سه کانال دارای ساختار مشابه هستند و از لایه‌صهای کانولوشنی سه بعدی که وظیفه استخراج ویژگی‌صهای پنهان را برعهده دارند، بهره می‌صبرند .بهترین میزان صحت دسته‌صبندی زیر گروه‌صهای ‮‭SZ/HC‬ در این روش ‮‭۹۹.۳۵‬ به‌صدست آمد .روش پیشنهادی سوم که آن‌صرا ‮‭DMMF‬ می‌صنامیم یک معماری شامل دو کانال برای پردازش مقادیر اتصال عملکردی ‮‭(FC)‬ که از داده‌صهای ‮‭fMRI‬ به‌صدست می‌صآیند و ویژگی‌صهای سطح پایین استخراج شده از داده‌صهای‮‭MRI‬ ، ‮‭fMRI‬ و ‮‭DTI‬ است .معماری پیشنهادی ما مبتنی بر شبکه‌صهای بازگشتی گیتی ‮‭(GRU)‬ و شبکه‌صهای کانولوشنی است .مقادیر ‮‭FC‬ به ارتباط عملکردی نواحی مختلف مغز که از نظر مکانی تفکیک شده‌صاند اشاره دارند و تحقیقات نشان داده‌صاند می‌صتوانند نقش مؤثری در تشخیص ناهنجاری‌صهای روانی نظیر اوتیسم و اسکیزوفرنی داشته باشند .ما آزمایش‌صهای متعددی برای یافتن ویژگی‌صهایی که می‌صتوانند به‌صعنوان مکمل مقادیر ‮‭FC‬ جهت تشخیص دقیق‌صتر بیماری استفاده شوند انجام دادیم .بهترین صحت دسته‌صبندی زیر گروه‌صهای ‮‭SZ/HC‬ که با استفاده از این معماری حاصل شد ‮‭۹۹.۵‬ است و از ادغام مقادیر ‮‭FC‬ و ‮‭FA‬ به‌صدست آمد

Text of Note

Schizophrenia is a complex brain disease that seriously affects the lives of patients. Early detection of this disease can improve the healing process, but accurate diagnosis is still a challenge. Research has shown that this brain disorder occurs due to the structural and functional changes of the brain, which is why researchers try to accurately identify schizophrenia by relying on data from structural and functional imaging of the brain, such as MRI and fMRI. In this dissertation, we propose three methods for the classification of healthy control and schizophrenic subjects. Our proposed methods are based on data fusion and deep learning methods. The fusion of neuroimaging data for a brain disorder such as schizophrenia, in which both the structure and function of the brain have changed, can create new discriminative latent features. The benefits of in-depth learning methods are not hidden from anyone today. A variety of deep learning approaches have been used in practical applications such as image processing, text processing, and medical image processing. In the first proposed method, we used deep belief networks (DBN) with innovative functions to combine the low-level features extracted from fMRI, MRI, and DTI data. In several experiments, we combined several features. The best results achieved for the fusion of Amplitude of Low-Frequency Fluctuations (ALFF) values, brain gray matter volume, and fractional anisotropy measures as 99.36. It should be noted that all the features used in these experiments were extracted based on pre-defined regions based on AAL brain atlas. Our second proposed method, based on the capabilities of 3D convolutional neural networks (CNN), offers an architecture consisting of three channels for the classification of healthy and schizophrenic subjects. In our algorithm, we use MRI data without additional pre-processing such as segmentation or registration as the input of the first channel. The input of the second channel is the independent components (ICA) values extracted from the fMRI data, and the input of the third channel is the fractional anisotropy obtained from the DTI data in a voxel-based manner. All three channels have the same structure and use 3D-CNN layers that are responsible for extracting hidden features. The best classification accuracy in the experiments was 99.35 . The third proposed method is an architecture consists of two channels for processing functional connection (FC) values obtained from fMRI data and the values obtained from one of the neuroimaging data. Our proposed architecture is based on gated recurrent unit Networks (GRU) and CNNs. We done several experiments to combine FC with different features, the best classification accuracy was obtained for fusion of FC and FA values as 99.5 . It should be noted that we have used COBRE data in all experiments

Parallel Title

‮‭Classification of schizophrenia patients and healthy controls using multi-modal data fusion and deep learning methods‬

مسعودی، بابک

Masoudi, Babak

Public note

سیاه و سفید

نمایه‌سازی قبلی