توصيفگر ها :
يادگيري ماشين , يادگيري عميق , تشخيص بيماري آلزايمر , پيش‌بيني بيماري آلزايمر , استخراج ويژگي , طبقه‌بندي
چكيده فارسي :
بيماري آلزايمر يك بيماري‌شناختي است كه باعث كاهش حافظه، افت توجه، اختلال در توانايي‌هاي زباني و تصميم‌گيري مي‌شود. اين بيماري به علت تخريب نورون‌هاي مغزي رخ مي‌دهد و قابل‌درمان نيست. تنها راه مقابله با بيماري آلزايمر كند كردن روند آن است؛ بنابراين، تشخيص زودهنگام و پيشگيري از ابتلا به اين بيماري از اهميت زيادي برخوردار است. با توجه به اينكه در بيماري آلزايمر ساختار و عملكرد بخش‌هاي مغز به‌خصوص بخش هيپوكامپ تحت تأثير قرار مي‌گيرند، تصويربرداري‌هايي ازجمله تصاوير رزونانس مغناطيسي و اطلاعات باليني منبع ارزشمندي به‌حساب مي‌آيند زيرا با استفاده از الگوريتم‌هاي يادگيري ماشين، مي‌توان از آن‌ها اطلاعات مفيدي استخراج كرد و جهت تشخيص و تصميم‌گيري در مورد شدت بيماري به كار برد. در اين پايان‌نامه، سه رويكرد متفاوت براي تشخيص و پيش‌بيني بيماري آلزايمر تا 36 ماه آينده با استفاده از روش‌هاي يادگيري عميق از روي‌داده‌هاي باليني و تصاوير پزشكي مجموعه داده ADNI معرفي‌شده است. در رويكرد پيشنهادي اول، شبكه‌اي بر اساس يادگيري انتقالي ارائه‌شده است، به‌نحوي‌كه ابتدا يك ساختار U-Net جهت يادگيري تقسيم‌بندي غده‌ي هيپوكامپ، آموزش‌ديده است. بعدازاينكه شبكه دركي از تصاوير مغزي و بخش هيپوكامپ به دست آورد، از قسمت كدگذار به‌عنوان شبكه‌اي جهت استخراج ويژگي استفاده‌شده و در آخر، ويژگي‌هاي استخراجي با يك شبكه‌ي عصبي طبقه‌بندي مي‌شوند. در رويكرد پيشنهادي دوم، يك شبكه‌ي بهبوديافته با استفاده از يادگيري متضاد ارائه مي‌شود كه لايه‌هاي آن روي مجموعه داده‌هاي مربوط به تصاوير MR مغز از پيش آموزش‌ديده است. اين شبكه قادر است تفاوت‌هاي جزئي بين تصاوير سالم و بيمار را شناسايي كند و با دقت نسبتاً بالايي بيماري را طبقه‌بندي كند. در روش پيشنهادي سوم، يك ساختار شبكه عصبي ارائه‌شده است كه اطلاعات سرا سري و محلي را از تصاوير به‌خوبي استخراج مي‌كند و با اطلاعات باليني فرد تركيب مي‌كند. سپس، از اين اطلاعات به‌دست‌آمده با رويكردهاي يادگيري ماشين جهت طبقه‌بندي بيماري استفاده مي‌شود. نتايج نشان داده است كه رويكردهاي ارائه‌شده به ترتيب دقت 89/50، 90/76 و 93/01 درصد در تشخيص و دقت 79/50، 86/25 و 87/02 درصد در پيش‌بيني بيماري آلزايمر به دست آورده‌اند.
چكيده انگليسي :
Alzheimer's disease is a cognitive disorder that causes memory loss, attention deficit, language impairment, and decision-making impairment. This disease occurs due to the degeneration of brain neurons and is incurable. The only way to deal with Alzheimer's disease is to slow down its progress; therefore, early diagnosis and prevention of this disease are of great importance. Considering that in Alzheimer's disease, the structure and function of brain regions, especially the hippocampus, are affected, imaging techniques such as MRI and clinical information are valuable sources because they can extract useful information from them using machine learning algorithms and use them for diagnosis and decision-making about the severity of the disease. In this thesis, three different approaches for diagnosis and prediction of Alzheimer's disease up to 36 months in the future using deep learning methods from clinical data and medical images of the ADNI dataset are introduced. In the first proposed approach, a network based on transfer learning is presented, so that first U-Net structure is trained to learn the segmentation of the hippocampus gland. After the network gained an understanding of the brain images and the hippocampus, the encoder part is used as a network to extract features and finally, the extracted features are classified with a neural network. In the second proposed approach, an improved network using contrastive learning is presented, whose layers are pre-trained on the data sets related to brain MR images. This network can identify subtle differences between healthy and diseased images and classify the disease with relatively high accuracy. In the third proposed method, a neural network structure is presented that extracts serial and local information from images well and combines it with the individual's clinical information. Then, this information is used with machine learning approaches to classify the disease. The results show that the proposed approaches have achieved 89.50%, 90.76% and 93.01% accuracy in diagnosis and 79.50%, 86.25% and 87.02% accuracy in predicting Alzheimer's disease, respectively.
