عنوان

ارائه مدل یادگیری تأکیدی برای افزایش دقت یادگیری دسته‌بندها؛ مورد کاربرد - شناسایی بیماری آلزایمر

شماره

پ۲۴۸۶۶

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

ارائه مدل یادگیری تأکیدی برای افزایش دقت یادگیری دسته‌بندها؛ مورد کاربرد - شناسایی بیماری آلزایمر

نام نخستين پديدآور

حمید اکرمی فرد

نام ناشر، پخش کننده و غيره

مهندسی برق وکامپیوتر

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۱۱۹ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

دکتری

نظم درجات

مهندسی کامپیوترگرایش: هوش مصنوعی

زمان اعطا مدرک

۱۴۰۰/۰۵/۳۰

متن يادداشت

طی دهه گذشته، مطالعات زیادی در خصوص توسعه سیستم‌های تشخیص بیماری به کمک کامپیوتر انجام شده است. بسیاری از آنها به تازگی بر مبنای استخراج و ترکیب ویژگی‌هایی از MRI، PET و CSF توسعه داده شده‌اند و در اکثر موارد، کارایی بسیار بالایی حاصل کرده‌اند. در این میان تشخیص به موقع بیماری آلزایمر (AD) برای دستیابی به درمان‌های عملی بسیار مهم است. در این تحقیق یک رویکرد جدید مبتنی بر دسته‌بند ماشین بردار پشتیبان (SVM)، یادگیری عمیق (Deep Learning)، شبکه‌های عصبی فازی چند سطحی (MLFNN) و به کمک فنون مهندسی ویژگی (Feature Engineering) برای تشخیص زود هنگام آلزایمر ارائه شده است. تمرکز مطالعه حاضر بر روی مسئله شناسایی بیماران مبتلا به آلزایمر و مشکل خفیف شناختی (MCI) از افراد سالم (NC) با استفاده از انتخاب بهترین ویژگی(ها) و سازگارترین الگوریتم دسته‌بندی می‌باشد. به این ترتیب، با استفاده از الگوریتم بهینه و ویژگی(های) مطلوب، یعنی یک ویژگی برای یک مشکل در زندگی واقعی، به عملکردی عالی دست یافته‌ایم. از شبکه‌های عصبی Auto-Encoder برای جانهی داده¬های گمشده استفاده شده است.روش ارائه شده با استفاده از پایگاه داده ADNI مورد بررسی قرار گرفته است. از روش K-Fold Cross Validation (K=10) برای ارزیابی دقت تشخیص استفاده شده است. اثربخشی روش پیشنهادی با استفاده از چندین سناریو با توجه به 705 مورد از پایگاه داده ADNI مورد بررسی قرار گرفت. این روش برای اولین بار در نوع خود، بر اساس مفهوم تأکید بر ویژگی‌های مؤثر در فضای نمونه ارائه شده است. به طور خلاصه، مراحل اصلی روش پیشنهادی شامل استخراج، تعبیه وکاوش در بهترین زیر مجموعه از ویژگی‌ها می‌باشد. داده مورد استفاده در مطالعه حاضر شامل نمرات آزمون MMSE، داده‌های تصاویر MRI، PET، CSF و اطلاعات شخصی می‌باشد. برای استخراج ویژگی تصاویر سه بعدی از ابزار VBM-SPM استفاده می‌شود که در نهایت یک بردار ویژگی برای هر آزمودنی ایجاد می‌گردد. در این تحقیق از لگاریتم طبیعی برای نرمال‌سازی داده‌ها کمک گرفته شده است. از روش‌های کاهش و انتخاب ویژگی برای استخراج ویژگی‌های مؤثر و تشکیل یک فضای با ابعاد کمتر استفاده شده است. هدف روش پیشنهادی کشف ویژگی‌های مهم و بالا بردن کارایی مدل دسته‌بندی می‌باشد. در این روش تکرارها تا زمانی که بالاترین عملکرد به دست آید ادامه خواهند یافت. نتایج ارزیابی‌ها بالاترین عملکرد گزارش شده در ادبیات موضوع را برای این مساله نشان داده است، دقت‌های 98.88٪، 81.61٪، 81.40٪ به ترتیب برای فرد دچار AD در مقابل NC، شخص دچار MCI در مقابل NC و AD در مقابل MCI به دست آمده است. همچنین، صرفا با استفاده از داده‌های آزمون MMSE و الگوریتم دسته‌بندی MLFNN به عنوان یک روش پیشنهادی دقتی معادل 96.6 درصد در شناسایی بیماران از افراد سالم داشت. این تحقیق گامی کوچک در پیشرفت الگوریتم‌های یادگیری ماشین و علوم شناختی با زمینة توسعة سیستم‌های تشخیص بیماری‌های ذهنی خواهد بود.

متن يادداشت

This study identifies cognitive impairment and Alzheimer's dementia from healthy individuals using computer methods. Then the causes, symptoms and identify mechanisms of disorders with an emphasis on Alzheimer's dementia will be explained. This study tries to find the best biomarkers for the diagnosis of this disease and by combining them as much as possible to create an acceptable effect on the speed and accuracy of diagnosis of this disease compared to other common methods in the world to be diagnosed in the early stages and prevented the progression of the disease as soon as possible. Over the past decade, many studies have been conducted on the development of computer-aided diagnosis systems. Many of them have recently been developed focusing on extracting and combining features from MRI, PET and CSF, and in most cases, have achieved very high performance. Early diagnosis of Alzheimer's Disease (AD) is crucial for achieving practical treatments. In this study, a new approach based on Support Vector Machine (SVM), Deep Learning, Multilevel Fuzzy Neural Networks (MLFNN) and feature engineering techniques for early detection of Alzheimer's Disease is presented. The focus of the present study is on the problem of identifying Alzheimer's patients and Mild Cognitive Impairment (MCI) of Normal Control (NC) using the selection of the best feature (s) and the most compatible classification algorithm. In this way, we have achieved excellent performance using the optimal algorithm and the desired feature (s), i.e. a feature for a problem in real life. Auto-Encoder neural networks have been used to missing data imputation.The proposed method is examined using the ADNI database. 10 Fold Cross-validation (K=10) was used to assess the accuracy of the diagnosis. The effectiveness of the proposed method was evaluated using several scenarios according to 705 items from the ADNI database.This method is the first of its kind in the literature, based on the concept of emphasizing the effective features in the sample space. In summary, the main steps of the proposed method include extracting, embedding, and exploring the best subset of features. The data used in the present study include MMSE test scores, MRI and PET image data, CSF and personal information. The VBM-SPM tool is used to extract the 3D image feature, which ultimately creates a feature vector for each subject. In this research, natural logarithms have been used to normalize the data. Feature reduction and feature selection methods have been used to extract effective features and form a smaller space. The purpose of the proposed method is to discover important features and increase the efficiency of the classification model. In this method, the repetitions will continue until the highest performance is achieved. The results of the evaluations show the highest performance reported in the literature for this problem, with 98.88%, 81.61%, 81.40% accuracy for AD versus NC, MCI versus NC, and AD versus MCI, respectively. Also, the use of MMSE test data with MLFNN classification algorithm in the proposed method is an exploratory one that helps patients and healthy people to get rid of painful and time-consuming tests. This research will be a small but important step in the development of machine learning algorithms and cognitive sciences with the development of mental illness diagnosis systems.

عنوان گونه گون

Emphasis Learning Model to Improve Classification Performance: Case Study—Alzheimer’s Disease Diagnosis

عنصر شناسه اي

اکرمی فرد

ساير عناصر نام

‏ حمید

کد نقش

تهيه کننده

عنصر شناسه اي

‏ بالافر

عنصر شناسه اي

‏رضوی

عنصر شناسه اي

رملی

ساير عناصر نام

‏ محمدعلی

ساير عناصر نام

‏ سید ناصر

ساير عناصر نام

‏ عبدالرحمن

تاريخ

استاد راهنما

تاريخ

استاد مشاور

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز