تشخیص بیماری آلزایمر در تصاویر تشدید مغناطیسی (MRI) با استفاده از یادگیری عمیق و نقشه برجستگی

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: تشخیص بیماری آلزایمر در تصاویر تشدید مغناطیسی (MRI) با استفاده از یادگیری عمیق و نقشه برجستگی

ارائه دهنده: Provider: سمیرا مصطفی پور - رشته کامپیوتر

اساتید راهنما: Supervisors: دکتر حسن ختن لو

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر میرحسین دزفولیان - دکتر محرم منصوری زاده

زمان و تاریخ ارائه: Time and date of presentation: 1401/07/12 ساعت 16 تا 17:30

مکان ارائه: Place of presentation: سالن خان محمدی(سمینار2 گروه برق)

چکیده: Abstract: بیمااری آلز ایمر یکی از بیمااریهاای زوال مغزی اسااک کاه در آن حجم مغز کااهش یاافتاه و نورونهاای مغزی و اتصااا ت بین آنها از بین میرود. این بیماری منجر به اختلال در رفتار، حافظه و تعقل بیماران میشااود. تاکنون، هیچ درمان قطعی بر ای بیماری آلز ایمر وجود ندارد اما اگر این بیماری در مراحل اولیه شاناساایی شاود و درمان بیمار از مراحل اولیه بیماری آغاز گردد، کار ایی روشهای درمانی بیشتر شده و تاثیر بیشتری بر روند درمانی بیمار خواهد گذاشک. روشهای تصاویربرداری مغزی، یکی از ابزارهای موثر در تشاخیص آلزایمر اساک. تاکنون روشهای تشاخیص به کمک کامپیوتر زیادی در زمینه تشخیص آلزایمر پیشنهاد شده اسک که میتوانند با دریافک تصاویر پزشکی از مغز بیمار و انجام پردازشهای تصویر، به تشخیص آلزایمر بپردازند. دراین مطالعه، رویکردی مبتنی بر یادگیری عمیق برای تشاخیص خودکار آلزایمر از روی تصااویر سایتیاساکن مغزی ارائه شااده اسااک. رویکرد پیشاانهادی شااامل مراحل پیشپردازش برای تبدیل فرمک و رفع نویز، مرحله نقشااه برجستگی برای استخراج ویژگی، مرحله نقشه رنگی برای تبدیل تصاویر از حالک دوبعدی به سهبعدی و در نهایک شبکه عصابی کانولوشانی اساک. در این مطالعه از ساه نوع نقشاه برجساتگی مختلا و چهار نوع معماری متفاوت برای بخش شبکه عصبی کانولوشنی بهره گرفته شده که منجر به توسعه دوازده مدل مختلا برای تشخیص آلزایمر شده اسک. ارزیابی روشهای پیشانهادی بر روی صاد تصاویر سایتیاساکن از مجموعهداده Oasis با در نظر گرفتن ۲0 ٪ از دادههای برای آزمون، ۸ ٪ برای اعتباارساانجی ۷۲ ٪ برای آموزش، منجر به نتاای متفااوتی بر روی دوازده مدل توسااعه یافته شد. معیارهای دقک، صحک، حساسیک و AUC محاسبه شده برای تمام مدلها اعدادی بین ۶۳ ٪ تا ۷۶ ٪ را کسب کردند و بهترین مدل، با اساتفاده از نقشاه برجساتگی CovSal و معماری کانولوشانی ZFNet موفق به کساب ۷۳ ٪ دقک، ۷۳٪ صاحک، ۷۳ ٪ حسااسایک و AUC ۷۶٪ شاد. همچنین مقایساه روشهای پیشانهادی با مقاله پایه نشاان داد که روش پیشنهادی بهتر از مقاله پایه عمل میکند و نتای قابل اعتمادتری تولید میکند.

فایل: ّFile: دانلود فایل