توصيفگر ها :
EEG , fMRI , تبديل مداليته , شبكه مولد متخاصم , كانكتيويتي
چكيده فارسي :
داده‌هاي پزشكي اعم ازسيگنال‌هاي پزشكي همچون EEG و تصاوير پزشكي همچون MRI از گذشته تا كنون چه درعلم پزشكي و چه در علم مهندسي پزشكي اهميت بسيار زيادي داشته‌اند. به كمك تجزيه و تحليل اين داده‌ها است كه پزشك مي‌تواند بيماري را تشخيص دهد و سپس درمان مناسب ارائه كند و همچنين با استفاده از بررسي اين داده‌هاي پزشكي پژوهشگران و محققان به افق‌هاي جديدي از علم دست مي‌يابند كه زمينه‌ساز بسياري از روش‌هاي درماني و دستاوردهاي نوين است. در موارد بسياري فرايند ثبت داده، فرايندي پرهزينه و دشوار است. در شرايطي كه با بيماران خاص مواجه هستيم به علت عدم همكاري شخص، ثبت داده امري دشوار و حتي غيرممكن است. از طرفي ثبت داده‌هايي نظيرfMRI بسيار پرهزينه خواهند بود. در نتيجه كمبود داده از چالش‌هاي اساسي اين حوزه است. به منظور تهيه داده‌هاي بيشتر جهت بهبود فرايند تشخيص پزشك و همچنين امكان گسترش پژوهش‌ها و حل مشكل كمبود داده به دنبال توليد داده‌هاي جديد از داده‌هاي موجود هستيم. هدف از اين پژوهش استفاده از روش‌هاي مبتني بر يادگيري عميق با ديدگاهي متفاوت جهت تبديل داده‌هاي EEG به داده‌هاي fMRI است. پژوهش‌هاي قبلي انجام شده در اين حوزه با استفاده از انواع شبكه‌هاي GAN داده‌هاي EEG را به طور مستقيم به داده‌هايfMRI تبديل كرده‌اند. از آنجايي كه مي‌دانيم اطلاعات مهم و اساسي داده‌هايEEG و FMRI به طور كامل از ماتريس كانكتيويتي آن‌ها قابل استخراج است، رويكرد متفاوت اين پژوهش تبديل ماتريس كانكتويتي مؤثر EEG به ماتريس كانكتويتي مؤثر fMRI است كه ماتريس‌هاي كانكتيويتي مؤثر به كمك روش عليت گرنجر محاسبه مي‌شوند. باتوجه به اينكه ماتريس‌هاي كانكتويتي ابعاد كوچكتري نسبت به داده‌هاي اصلي دارند انتظار فرايندي با سرعت بيشتري داريم. جهت تبديل ماتريس كانكتويتيEEG از شبكه‌هاي مبتني بر GAN همچون Pix2Pix استفاده خواهد شد. براي ارزيابي كيفيت عملكرد شبكه طراحي شده از معيارهاي ارزيابي MSE، PSNR و SSIM استفاده شده كه مقادير به دست آمده براي آن‌ها روي 30 داده تست به ترتيب برابر 0/00021، 38/135 و 0/848 است. داده‌هاي استفاده شده در اين پژوهش شامل داده‌هاي EEG و fMRI براي افراد مختلف است كه هر دو داده به طور همزمان و تحت فعاليتOdd-Ball ثبت شده است.
چكيده انگليسي :
Medical data, including medical signals such as EEG and medical images such as MRI, have been very important in both medical science and medical engineering since the past. This data helps doctors diagnose the disease and then provide appropriate treatment, and also by using the examination of this medical data, researchers reach new horizons of science, which is the basis of many new treatment methods and achievements. In many cases, the data registration process is costly and difficult. In the situation we are facing with special patients, it is difficult and even impossible to record data due to the lack of cooperation of the person. On the other hand, recording data such as fMRI will be very expensive. As a result, the lack of data is one of the main challenges in this field. To provide more data to improve the doctor's diagnosis process, as well as the possibility of expanding research and solving the problem of lack of data, we are looking to generate new data from existing data. The purpose of this research is to use methods based on deep learning with a different perspective to convert EEG data into fMRI data.Previous research in this field has directly converted EEG data into fMRI data using various GAN networks. Since we know that the fundamental information of EEG and fMRI data can be completely extracted from their connectivity matrix, the different approach of this research is to convert the effective connectivity matrix of EEG to the effective connectivity matrix of fMRI, and the effective connectivity matrices are calculated by the Granger causality method. Considering that the connectivity matrices have smaller dimensions than the original data, we expect a faster and more accurate process. GAN-based networks such as pix2pix will be used to transform the EEG connectivity matrix. To evaluate the performance quality of the designed network, the evaluation criteria of MSE, PSNR, and SSIM were used, and the values obtained for them on 30 test data are 0.00021, 38.135, and 0.848, respectively. The data used in this research includes EEG and fMRI data for different people, both of which were recorded simultaneously under the Odd-Ball activity.
