تشخیص بیماری اوتیسم از روی تصاویر fMRI با استفاده از یادگیری ماشین
عنوان اصلي به زبان ديگر
Diagnosis of Autism from Brain fMRI Data using Machine Learning
نام نخستين پديدآور
/فرخنده دشتی مکان
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: مهندسی برق و کامپیوتر
تاریخ نشرو بخش و غیره
، ۱۳۹۷
نام توليد کننده
، میرزائی
مشخصات ظاهری
نام خاص و کميت اثر
۶۹ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسیپزشکی
زمان اعطا مدرک
۱۳۹۷/۰۳/۱۳
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
اوتیسم یک معلولیت رشدی دائمی است که در سه سال اول زندگی تشخیص داده میصشود .عدم وجود یک روش هدفمند در زمینه تشخیص اوتیسم باعث میصشود تا کودکان مبتلا به اوتیسم به راحتی قابل تشخیص نباشند و مدتصها طول میصکشد تا این بیماری شناخته شود .تشخیص دیرهنگام بیماری اوتیسم در کودکان، معالجه و کار توانبخشی را بیصفایده میصکند .لذا هرچه زودتر بتوان این اختلال را مشخص کرد، درمان متفاوت و مؤثری را میصتوان به کار گرفت .برای تشخیص ویژگیصها به منظور تفکیک افراد سالم و افراد مبتلا به اوتیسم از تصاویر fMRI مغزی در حالت استراحت استفاده شده است که در پایگاه داده ABIDE در دسترس عموم قرار دارد .افراد اوتیستیک مورد مطالعه در این پژوهش شامل ۲۹ کودک هستند که در طیف اختلالات اوتیسم با عملکرد بالا قرار دارند .بازه سنی آنصها بین ۵ تا ۱۳ سال میصباشد .برای هر فرد ۱۸۰ تصویر fMRI و یک تصویر MRI آناتومیکی از مغز اخذ شدهصاست .برای پیشصپردازش، چهار حجم اول از مغز (۴نقطهصی اول از سیکنال زمانی (به منظور حذف اثرات ناشی از استقرار فرد درون دستگاه حذف شد .برای حذف مصنوعات فرکانس پایین یک فیلتر بالاگذر بافرکانس ۱۰۰ ثانیه به سیکنال زمانی واکسلصها اعمال شدهصاست .یک فیلتر پایینصگذر گوسی سه بعدی با پارامتر FWHM=۳mmبرای کاهش نویز در هر زمان بر روی حجم مغز به منظور هموارسازی مکانی اعمال شدهصاست. بعد از انجام پیشصپردازشصهایی مانند حذف قسمتصهای غیرمغزی، اصلاح زمانی، اصلاح حرکتی، نگاشت بر فضای استانداردMNI ، اجزای مستقل سیگنال مکانی گروهی از افراد استخراج میصشود .ویژگیصهای یک داده ممکن است به هم وابسته باشند یا به اصطلاح دیگر داده افزونگی داشته باشد که باعث کاهش دقت شناسایی در مسائل کلاسصبندی میصشود که با استفاده از تبدیل سفیدکردن داده را غیرهمبسته کردیم سپس با تشکیل ماتریس اتصال و استخراج ویژگیصها ، با روش svm به طبقهصبندی دو گروه پرداختهصایم .در پژوهشصهای پیشین تمرکز بر طبقهصبندی این دو گروه در سنین بالا بودهصاست .هدف اصلی این پژوهش، طبقهصبندی و تشخیص اوتیسم میان کودکان بین سنین ۵ تا ۱۳ سال میصباشد که با استفاده از الگوریتم پیشنهادی و با ۱۰۰ بار تکرار آزمایش صحت طبقهصبندی ۷۴/۷۶ ، حساسیت ۷۴/۴۷ و تشخیص ۳۸/۷۷ حاصل شد
متن يادداشت
Autism is a permanent disability diagnosed in the first three years of life. The absence of a purposeful method of autism detection causes children with autism not easily detectable and will take a long time to be known for the disease. The late diagnosis of autism in children is in vain the treatment and rehabilitation work is useless. Therefore, the sooner the disorder can be found, the different treatment can be used. For detection of features in order to separate healthy individuals with autism, Brain (FMRI) images have been used in the resting state, which is available to the public in the (ABIDE) database. Autistic individuals studied in this study include 29 children who are in high performance in the range of autism disorders. Their ages range between 5 and 13 years.For each individual, 180 (FMRI) images and an anatomical resonance imaging is derived from the brain. For preprocessing, the first 4 lobes were removed from the brain (first four point from time signal) in order to remove the effects caused by the persons' deployment. To remove the low frequency artifacts a high pass filter has been applied for 100 seconds to signal. A three dimensional Gaussian low pass filter with (FWHM = 3 mm) is applied to reduce noise at any time on the brain volume for spatial smoothness. After performing such as elimination non grown parts, temporal modification, motor modification, mapping on the standard space of (MNI), the independent components of a group spatial signal are extracted. the characteristics of a data may be correlated or so called redundancy data, which reduces the accuracy of identification in our problems; Then, by forming the connectivity matrix and extracting features, we have investigated the classification of 2 groups using the (SVM) method. In previous researches, the focus on the classification of these 2 groups has been high. the main purpose of this study is the classification and diagnosis of autism between the ages of 5 and 13, which was achieved by using the proposed algorithm with 100 repetitions of a classification accuracy of (74. 76 ), sensitivity (74. 47 ), and (38.77 )
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Diagnosis of Autism from Brain fMRI Data using Machine Learning
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )