11990

10993

كارشناسي ارشد

هوش مصنوعي

اصفهان: دانشگاه صنعتي اصفهان، دانشكده برق و كامپيوتر

1395

ده، 90ص.: مصور، جدول، نمودار

ص. ع. به فارسي و انگليسي

رسول امير فتاحي

شادرخ سماوي، نادر كريمي

1395/10/20

كتابنامه

برق و كامپيوتر

مهندسي برق و كامپيوتر

ID10993

چكيده اختالل شناختي خفيف به مرحله مياني زوال عقل به دليل كهولت سن و بيماري آلزايمر گفته ميشود بيماران آلزايمر نياز به مراقبت طوالني مدت دارند كه اين باعث تحميل شدن هزينههاي زياد به خانواده بيمار و جامعه ميشود در مرحله اختالل شناختي خفيف در صورت تشخيص به موقع ميتوان از پيشرفت بيماري جلوگيري كرد اين خود ميتواند بهترين دليل براي بررسي اين مرحله و پيدا كردن نواحي مغزي مرتبط با اين بيماري باشد محققان براي بررسي عملكرد اين بيماري بيشتر نواحي مغزي كه مربوط به حافظه هستند را بررسي نمودهاند نواحي هيپوكامپ شكنجهاي لوبهاي آهيانهاي و جلويي از جمله نواحي بررسي شده هستند يافتهها حاكي از آن است كه ناحيه هيپوكامپ در بيماران مبتال به آلزايمر دچار تغيير و آتروفي شديد ميشود شكنجهاي مغز تحليل رفته و دهانه بطنهاي مغزي باز شده كه باعث افزايش مقدار مايع مغزي نخاعي در مغز ميشود اين تغييرات در مرحله اختالل شناختي خفيف به شدت آلزايمر نيست و تشخيص آن نسبت به آتروفيهايي كه در افراد مسن ايجاد ميشود دشوارتر است به همين منظور روش هاي يادگيري ماشين در جهت تشخيص بيماري در اين مرحله به كمك محققان آمده است در اين پاياننامه نيز سعي شده با استفاده از روشهاي يادگيري ماشين گروه بيمار را از افراد سالم جدا نماييم به همين منظور از 34 نفر از مراجعه كنندگان به بيمارستانهاي سينا و نور اصفهان كه 32 نفر از آنها سالم و 32 نفر مبتال به اختالل شناختي خفيف بودند و شرايط شركت در آزمايش را داشتهاند تصاوير MRI به ضخامت 2 5 ميلي متر گرفته شده است با استفاده از نرمافزار Freesurfer تمامي تصاوير پردازش شده و ويژگيهاي مغزي از جمله حجم ضخامت و مساحت نواحي مغزي استخراج شده است با توجه به اينكه تعداد اين ويژگيها زياد است و تمامي آن ها قدرت جداسازي افراد بيمار از سالم را ندارند بردارهاي ويژگي مختلف كه بتوانند اين مهم را انجام دهند مورد نياز است براي بدست آ وردن اين بردارهاي ويژگي ابتدا با استفاده از پارامترهاي FDR و AUC بردارهاي ويژگي كه در دادههاي آموزشي داراي دقت بيشتر از 11 هستند جدا شده و پس از حذف بردارهاي تكراري بردارهايي كه بر روي دادههاي تست داراي دقت بيشتر از 31 هستند گزارش ميشود مقادير نواحي يافت شده براي دو گروه داراي تفاوتهاي مشهودي بودهاند 50 0 p value كلمات كليدي اختالل شناختي خفيف يادگيري ماشين دسته بندي

Mild Cognitive Impairment Detection with Extracted Features from Brain MRI Images Hassan Alibakhshi h alibakhshi@ec iut ac ir June 6 2016 Department of Electrical and Computer Engineering Isfahan University of Technology Isfahan 84156 83111 Iran Degree M Sc Language FarsiSupervisor Dr Rassoul Amirfattahi fattahi@cc iut ac ir Abstract Mild Cognitive Impairment MCI is a transitional state between normal aging and Alzheimer sdisease AD Patients with sever AD cant do their usuall activities and needs long time care This will forcea lot of cost to patient s family and community while in MCI state can prevent disease progress This can bea strong reason why diagnosis is so important in MCI state Alzheimer s is common form of dementia and known by memory loss in patients As diseaseprogresses patient s ability of doing daily acitivity is decreasing Researchers commonly pay attention tobrain regions which are connected to memory functionality Hippocampus temporal and frontal gyrals areregions which are examined a lot by theme Results had been shown that in AD Hippocampus atrophy ismuch more than normal aging Also gyral shrinkage and ventricle enlargement which cause more CSF inbrain are significant in AD On the other hand in MCI state these changes are not so significant anddistinguishing a MCI patient from a normal aging adult is difficult For this reason Machine Learning ML methods came to help researchers to classify MCI patients and healthy adults In this thesis tried to do so Fourty subjects including 20 healthy subject and 20 MCI were selected from Sina and Nour hospitalsin Isfahan These subjects meet criteria for participating in this experiment MR images with 1 2mm slicethickness were taken from all subjects These images was processed through Freesurfer software and sevberalbrain features such as region volumes thickness and area was extracted AS all extracted features can tclassify patients and healthy controls some feature vectors were selected Using FDR and AUC parameters First FVs with accuracy more than 75 on train data were selected and FVs with more than 80 accuracy ontest data were reported Most repeated regions in these FVs are Parstriangularis superior frontal gyrus andsuperior temporal gyrus These regions had significant diffrences in two groups too KeywordsMild Cognitive Impairment Demetia Machine Learning Classification

رسول امير فتاحي

شادرخ سماوي، نادر كريمي