بررسی آتروفی هیپوکامپ در تشخیص بیماری آلزایمر با استفاده از تصاویر MRI مغز

برای درمان موثر بیماری آلزایمر (AD: Alzheimer Disease)، تشخیص دقیق این بیماری و مرحله ی پیش از آن، یعنی اختلال شناختی خفیف (MCI: Mild Cognitive Impairment) اهمیت دارد. یکی از مهمترین روش های تشخیص زودهنگام AD، اندازه گیری آتروفی است که برای این کار از انواع اسکنهای مغزی مانند MRI استفاده می شود. هدف اصلی پژوهش حاضر ارایه یک سیستم تشخیص کامپیوتری به منظور تشخیص زودهنگام AD، با استفاده از الگوریتم های یادگیری ماشین، جهت کمک به پزشکان است. سیستم پیشنهادی با بررسی آتروفی هیپوکامپ تصاویر MRI مغز، اقدام به تشخیص AD نموده و دقت تشخیص این بیماری را نیز افزایش می دهد. 

در این پژوهش با استفاده از شبکه عصبی کانولوشن و کانتور فعال، عملیات جداسازی هیپوکامپ از سایر بخشهای مغز انجام شد و پس از آن با استفاده از طبقه بند ماشین بردار پشتیبان، سه گروه افراد سالم (NC: Normal Control) به تعداد 44 مورد، افراد مبتلا به AD به تعداد 45 مورد و افراد مبتلا به MCI به تعداد 46 مورد تفکیک گردیدند. 

یافته ها: 

روش پیشنهادی در این مطالعه ، در طبقه بندی دوکلاسه AD در برابر NC به ترتیب به میانگین دقت، حساسیت و خاصیت 77/98%، 74/98% و 96/97% دست یافت. همچنین در طبقه بندی دوکلاسه MCI در برابر NC، این روش به ترتیب به میانگین 14/96% دقت، 23/96% حساسیت و 21/88% خاصیت دست یافته است. روش پیشنهادی در مقایسه با نزدیکترین روش رقیب در طبقه بندی AD در برابر NC به ترتیب 64/1% بهبود دقت و 81/2% بهبود حساسیت و در طبقه بندی MCI در برابر NC به ترتیب 9/8% بهبود دقت و 16/2% بهبود خاصیت را نشان داد. این بهبود ناشی از استفاده از الگوریتم بهبودیافته تقطیع ACM، ترکیب ویژگی های استخراجی از تصاویر هیپوکامپ با ویژگی های ایجاد شده از قبل توسط شبکه ImageNet، حذف ویژگی های نامناسب از بردار ویژگی و همچنین استفاده از شبکه عمیق Inception v3  بوده است.

نتیجه گیری: 

بر اساس نتایج، ترکیب ویژگیهای استخراجی از چندضلعی محیطی هیپوکامپ و ویژگیهای به دست آمده از شبکه عمیق، جهت تشخیص AD و MCI می تواند کاملا مناسب باشد