تشخیص زود هنگام بیماری ام اس در تصاویر fMRI مغز با استفاده از تکنیک های یادگیری عمیق

ام اس نوعی بیماری سیستم عصبی مرکزی است که در آن بدن، حمله دفاعی بر روی بافت های خود انجام می دهد. این بیماری می تواند بر روی مغز و نخاع تاثیر بگذارد و باعث ایجاد طیف گسترده ای از علایم بالقوه از جمله مشکلات تعادلی، حرکتی و بینایی شود. تصاویر ام آرآی و اف ام آرآی  یک ابزار بسیار مهم در تشخیص و درمان بیماری ام اس است. هدف از این مطالعه تعیین و تشخیص تشخیص زودهنگام بیماری ام اس در تصاویر اف ام آرآی مغز با استفاده از تکنیک های یادگیری عمیق بود.

این یک مطالعه تجربی می باشد که در سال 1399 در دانشگاه آزاد کازرون انجام شد، 1000 تصویر ام ارای از مجموعه داده های BRATS بودند و در دو گروه یادگیری و تست به نسبت 70 به 30 درصد وارد مطالعه شدند. در این مطالعه یک شبکه یادگیری عمیق چهار لایه مبتنی بر شبکه عصبی کانولوشن در محیط  متلب شبیه سازی شده است. در ساختار یادگیری عمیق که خودش توانایی استخراج ویژگی ها را دارا بود، از یک روش دیگر برای این کار استفاده کردیم؛ زیرا یادگیری عمیق با این که توانایی استخراج ویژگی ها را دارد، اما این کار را تصادفی انجام می داد. برای این که مراحل قبلی آن به صورت قطعی باشد، از یک الگوریتم دیگر در داخل حلقه های تکرار و داخل لایه پیچش استفاده کردیم تا در زمان آموزش، اولا کاهش ابعاد ویژگی دهد، دوما انتخاب بهترین ویژگی ها و سوم استخراج ویژگی ها را به صورت قطعی انجام دهد. 

نمایش گرافیکی منحنی ROC نشان داد که میزان حساسیت یا پیش بینی درست در مقابل پیش بینی نادرست در این سیستم طبقه بندی دودویی که آستانه تفکیک در آن متغیر است، مقدار قابل توجهی داشت. سطح زیر این منحنی 8592/0 هم چنین دقت روش پیشنهادی 6891/98 درصد و میزان حساسیت  8766/94 درصد به دست آمد.

با توجه به فراوانی بیماری ام اس، تشخیص زود هنگام این بیماری و ارایه یک روش هوشمند بر اساس پردازش تصاویرfMRI  برای درمان ضروری است. این روش هوشمند سعی بر این دارد که بتواند در خصوص تشخیص و درمان با دقت بیشتر، شناسایی بهتر ویژگی ها و الگوهای تاثیرگذار به بیماری نسبت به روش های پیشین به عنوان دستیار پزشکان کمک شایانی کند. در نهایت نتایج به دست آمده از این پژوهش نشان داد که کارایی روش پیشنهادی در سطح عالی ارزیابی شد و بهینه بودن آن را تا حد ممکن نمایش داد. بعلاوه نتایج به دست آمده، سریع بودن عملیات آموزش و آزمون داده ها در حجم بالا و همگرایی سریع الگوریتم را نشان داد. همچنین توسعه پذیری و تعمیم پذیری آن ساده تر است.