17579

15380

كارشناسي ارشد

مدارهاي مجتمع الكترونيك

اصفهان : دانشگاه صنعتي اصفهان

1400

هفده، 119ص. : مصور، جدول، نمودار

شادرخ سماوي

نادر كريمي

رسول اميرفتاحي، فرزانه شايق

1401/03/03

كتابنامه

برق

مهندسي برق و كامپيوتر

1401/03/03

2828567

اختلال خفيف شناختي يك بيماري ناشي از تخريب نورون‌هاي مغزي است كه افراد پيش از ابتلا به آلزايمر آن را تجربه مي‌كنند. از آنجا كه فرآيند تخريب نورون‌ها برگشت‌پذير و در نتيجه درمان‌پذير نيست، تنها راه مقابله با آلزايمر، پيشگيري از ابتلا به آن است. اين مساله باعث  شده است تا تشخيص افراد مستعد ابتلا به اين بيماري و همچنين پيش‌بيني پيشرفت اختلال خفيف شناختي به سمت آلزايمر به يك چالش در علم پزشكي تبديل شود. با توجه به اينكه اين بيماري ساختار و عملكرد بخش‌هاي مختلف مغز را تحت تاثير قرار مي‌دهد، اطلاعات استخراجي از تصويربرداري‌هايي عصبي از جمله MRI يك منبع ارزشمند به حساب مي‌آيد. از طرفي الگوريتم‌هاي يادگيري ماشين به دليل تواناييشان در پردازش اين اطلاعات به عنوان ويژگي و پيش‌بيني و تصميم‌گيري مبتني بر آن‌ها، به شدت مورد توجه قرار دارند. اما تعدد ويژگي‌ها و نحوه استخراج آن‌ها از  تصاوير باعث شده تا انتخاب موثرترين ويژگي‌ها براي الگوريتم، و يافتن بهترين الگوريتم خود به عنوان يك چالش تلقي شود. در اين پايان نامه يك خط لوله براي پيش‌بيني پيشرفت اختلاف خفيف شناختي به آلزايمر بر اساس تصاوير مربوط به معاينه اوليه و اطلاعات آزمون‌هاي تشخيصي پيشنهاد شده است. براي اين منظور ابتدا با بررسي وضعيت افراد در بازه زماني كه تحت نظر قرار دارند، يك جامعه آماري از مجموعه داده ADNI انتخاب شده و تصاوير مرحله معاينه اوليه آن‌ها پردازش مي‌شود. سپس ضمن انتخاب موثرترين ويژگي‌ها با استفاده از روش‌هاي RFE و LASSO، از SVM و يادگيري تركيبي مبتني بر شبكه‌هاي عصبي براي  پيش‌بيني و همچنين پيش‌بيني و تشخيص ابتلا به آلزايمر استفاده شده است. در روش پيشنهادي دوم، ايتدا گراف‌هاي فواصل و زاويه بخش‌هاي مختلف مغز را استخراج كرده و سپس تعبيه‌سازي ويژگي گراف‌هاي استخراجي به كمك شبكه‌هاي عصبي انجام مي‌شود. در پايان از اين ويژگي‌ها در كنار داده‌هاي جانبي براي پيش‌بيني پيشرفت اختلال شناختي خفيف به AD تا 36 ماه آينده استفاده مي‌گردد. دقت به دست آمده از اين روش‌ها به ترتيب برابر 85/55 و 86/90 درصد است كه قابل مقايسه با جديدترين كارهاي مشابه مي‌باشد.

Mild Cognitive Impairment (MCI) is a neurodegenerative disease that people suffer in the early stage of Alzheimer's Disease (AD). There are two main types of MCI: progressive MCI (pMCI) which progresses to AD and stable MCI (sMCI) which is safe for 36 months. As the neurodegeneration process is irreversible, the detection of pMCI is significantly important. Predicting conversion from MCI to AD through pMCI identification is one of the attractive challenges in cognitive science during the last years. The brain structure and functional activity are affected in the neurodegeneration process which are appeared in neuroimages. Thus it makes the Neuroimaging-based methods valuable sources to detect and predict AD. In addition, machine learning algorithms have been considered for predicting due to their capability to extract information from raw data. Although numerous data could be extracted from the images, that makes the feature selection more complicated to select the most important features and best model. It has been one of the challenges in predicting AD from MRI images. In this thesis, a pipeline including feature extraction, feature embedding using deep neural networks, and a machine learning algorithm is proposed to predict the AD based on the subject's data, such as test scores, demography data, and genetic data in the baseline. Data are obtained from ADNI, and the MRI images of selected subjects are processed by FreeSurfer. In the first proposed method, the most important features which extracted by FreeSurfer have been selected by the Decision-Tree based Recursive Feature Elimination method and the Lasso feature selector. Finally, an SVM classifier with a linear kernel is implemented to predict the progression from MCI to AD. In the second proposed method, the centers of the brain's sub-cortical areas are defined based on the Destrieux atlas. Then distance and angle graphs are formed, and the concatenation of adjacent matrices of graphs is considered as a feature. Then these matrices are embedded using a CNN, and embedded features are used to predict AD up to 36 months after baseline, besides demography and test scores of subjects. Compared to the latest published works, the most accurate proposed method improves accuracy up to 86.9%.

شادرخ سماوي

نادر كريمي

رسول اميرفتاحي، فرزانه شايق