تشخیص زودهنگام مریضی آلزایمر و اختلال شناختی خفیف توسط تصویربرداری پراکندگی جهت و چگالی ریزساختارها در قشر مغز
نام نخستين پديدآور
سارا قاسمی داکدره
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
برق و کامپیوتر
تاریخ نشرو بخش و غیره
۱۴۰۲
مشخصات ظاهری
نام خاص و کميت اثر
۹۹ص.
مواد همراه اثر
سی دی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی پزشکی - بیوالکترونیک
زمان اعطا مدرک
۱۴۰۲/۰۶/۱۸
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
بیماری آلزایمر، یک بیماری مغزی پیشرونده و یک اختلال عصبی است که در آن مرگ سلول های مغز، به تدریج باعث از دست دادن حافظه و زوال شناختی می شود. بیماری اختلال شناختی خفیف حالتی بین پیری طبیعی و زوال عقل است؛ که دارای نرخ تبدیل %10 به بیماری آلزایمر است. این بیماری، قبل از مرحله ی بیماری آلزایمر می باشد که در آن آسیب به نورون های مغز شروع می شود. امروزه در کشورهای مختلف جهان ، تعداد جمعیت سالمند رو به افزایش است. هم چنین بیماری های آلزایمر و اختلال شناختی خفیف، جزو شایع ترین بیماری ها در افراد مسن بشمار می آیند. ارتباط قوی بین افزایش سن افراد در جامعه و احتمال مبتلا شدن افراد آن جامعه، به این دو بیماری وجود دارد، بطوری که برروی کیفیت زندگی این بیماران تاثیر منفی می گذارد. تاکنون بیماری آلزایمر درمان موثری ندارد. پیشگیری و اصلاح سبک زندگی در این بیماران امری حیاتی است. شبکه های عصبی کانولوشنال یکی از روش های پرکاربرد در حوزه ی یادگیری عمیق است که برای تشخیص الگوهای پیچیده در داده استفاده می شوند. هدف این پژوهش ، تشخیص زودهنگام بیماری آلزایمر، اختلال شناختی خفیف از افراد سالم توسط تصویربرداری پراکندگی جهت و چگالی ریزساختارها در قشر مغز می باشد.در این پژوهش، مجموعه داده ADNI از سه دسته کلاس مجزا شامل افراد دارای بیماری آلزایمر، اختلال شناختی خفیف و افراد سالم می باشد. مجموعه داده به دودسته، %80 برای آموزش و %20 برای آزمایش تقسیم می شوند، در مرحله بعدی %30 از داده های آموزشی به صورت تصادفی در هر مرحله از فرآیند آموزش را، به عنوان داده های اعتبارسنجی در نظر می گیریم. ساختار مدل پژوهش در سه مرحله، تقسیم بندی داده های آموزش و آزمایش، ساختار CNN و کامپایل، آموزش هر یک از سه مدل الکسنت، دنسنت و یک بعدی، برروی داده های آموزشی است. برای تشخیص زودهنگام بیماری های آلزایمر و اختلال شناختی خفیف از افراد سالم از سه نوع شبکه عصبی کانولوشنال مختلف استفاده می نماییم. ورودی اصلی دو نوع از این شبکه ها، دوبعدی از پیش آموزش دیده با دقت بالا به نام های الکسنت و دنسنت بی – سی، خود تصویر اصلی مغز مجموعه داده ها می باشد. سومین مدل شبکه عصبی کانولوشنال یک بعدی است. ورودی این مدل، یک آرایه از ویژگی های عددی مربوط به افراد است. معیارهای ارزیابی عملکرد هر یک از مدل های CNN شامل: دقت، صحت، یادآوری، اختصاصیت و امتیاز اف-1 می باشند. میزان دقت، مهم ترین معیار ارزیابی مدل بشمار می آید. در این پژوهش از نرم افزار پایتون استفاده می شود. در این پژوهش در طی 10 دوره آموزش در تشخیص زودهنگام بیماری های آلزایمر، اختلال شناختی خفیف از افراد سالم در استفاده از هر یک از شبکه های عصبی کانولوشنال الکسنت، دنسنت، یک بعدی میزان دقت به ترتیب % 73/98، % 37/88 و %40/87، می باشد. لذا بیشترین و بهترین دقت مربوط به مدل الکسنت می باشد.
متن يادداشت
AbstractAlzheimer's disease is a progressive brain disorder and neurological impairment in which the gradual death of brain cells leads to memory loss and cognitive decline. Mild cognitive impairment is a transitional state between normal aging and dementia, with a conversion rate of %10 to Alzheimer's disease. It is a stage preceding Alzheimer's disease, where damage to brain neurons begins. Nowadays, the elderly population is increasing in various countries around the world. Alzheimer's disease and mild cognitive impairment are among the most common diseases in the elderly. There is a strong correlation between the increasing age of individuals in society and the likelihood of developing these two diseases, which negatively affects the quality of life of these patients. So far, there is no effective treatment for Alzheimer's disease. Prevention and lifestyle modifications are crucial in these patients. Convolutional neural networks are one of the most widely used methods in the field of deep learning, used to detect complex patterns in data. The aim of this research is the early detection of Alzheimer's disease and mild cognitive impairment from healthy individuals using orientation dispersion and density imaging of microstructures in the brain cortex.In this study, the ADNI dataset is used, which consists of three separate classes: individuals with Alzheimer's disease, mild cognitive impairment, and healthy individuals. The dataset is divided into %80 for training and %20 for testing. In the next step, %30 of the training data is randomly selected as validation data at each stage of the training process. The research model structure involves three phases: data partitioning, CNN architecture design, and compilation and training of three models AlexNet, DenseNet, and 1D CNN on the training data. To detect the early stages of Alzheimer's disease and mild cognitive impairment from healthy individuals, three different convolutional neural networks are used. The main input for two of these networks, AlexNet and DenseNet-BC, is original brain images from the dataset. The third model is a 1D CNN, and its input is an array of numerical features related to individuals. The performance evaluation metrics for each CNN model include accuracy, precision, recall, specificity, and F1 score. Accuracy is the most critical evaluation metric. Python software is used in this study. In this research, during 10 training epochs, the accuracy of AlexNet, DenseNet, and 1D CNN for the early detection of Alzheimer's disease and mild cognitive impairment from healthy individuals is %98.73, %88.37, and %87.40, respectively. Therefore, AlexNet achieves the highest and best accuracy rate.
عنوانهای گونه گون دیگر
عنوان گونه گون
Early Detecting MCI and AD by Microstructures Orientation Dispersion and Density Imaging
موضوع (اسم عام یاعبارت اسمی عام)
تقسیم فرعی دوره ای
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )