[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: معرفي مجله :: آخرين شماره :: آرشيو مقالات :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 23، شماره 1 - ( بهار 1400 ) ::
جلد 23 شماره 1 صفحات 135-147 برگشت به فهرست نسخه ها
تشخیص بیماری آلزایمر از روی تصاویر MRI با استفاده از هوش مصنوعی
محمدامین شایگان* 1، زهرا مولودی2
1- استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران. ، shayegan@iaushiraz.ac.ir
2- کارشناس ارشد رشته مهندسی کامپیوتر – هوش مصنوعی، دانشکده فنی و مهندسی، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران.
چکیده:   (148 مشاهده)

زمینه و هدف: روش‌های تشخیص زودهنگام بیماری آلزایمر، به دلیل هزینه‌های زیاد مراقبتی و درمانی، غیرقطعی بودن روش‌های موجود درمانی و همچنین آینده نگران کننده بیمار، امری ضروری به‌نظر می‌رسد. این مطالعه به منظور تشخیص بیماری آلزایمر از روی تصاویر MRI با استفاده از هوش مصنوعی انجام شد.

روش بررسی: در این مطالعه، یک سیستم کامپیوتری تشخیص زودهنگام بیماری آلزایمر به کمک الگوریتم‌های یادگیری ماشین، در چهارچوب فرآیند تشخیص به کمک کامپیوتر ارایه شده است. میدان تصادفی شرطی و شبکه عصبی عمیق Inception برای تشخیص این بیماری بر روی تصاویر MRI مغزی وفق داده شده‌اند. از آنجا که بافت هیپوکامپوس، جزء اولین بافت‌هایی است که تحت تاثیر بیماری آلزایمر قرار می‌گیرد؛ لذا برای تشخیص زودهنگام این بیماری، ابتدا به تعیین محدوده هیپوکامپوس بین سایر بافت‌های مغزی اقدام و سپس با توجه به میزان تحت تاثیر قرار گرفتن این بافت، به تشخیص بیماری مبادرت گردید. میدان تصادفی شرطی توانست با دقت زیاد، قطعه‌های هیپوکامپوس با اشکال مختلف را از هر سه مقطع مغزی استخراج کند. این قطعات، مبنایی برای استخراج ویژگی توسط شبکه عمیق قرار می‌گیرند. این روش بر روی داده‌های استاندارد ADNI آزمایش و کارایی آن نشان داده شد. شبکه Inception استفاده شده، شبکه‌ای است که از پیش، بر روی مجموعه داده بسیار بزرگ ImageNet آموزش داده شده است. یکی از مراحل مهم، انتقال دانش به مسأله در دست بررسی است. برای تسهیل این امر، از افزون‌سازی داده‌ها که مطابق با شکل و ساختار هیپوکامپوس طراحی شده، استفاده گردید.

یافته‌ها: روش اجرا شده در این مطالعه، در حالت دوکلاسه آلزایمر در مقابل کنترل سلامت به دقت 98.51% و برای حالت دوکلاسه اختلال شناختی خفیف در مقابل کنترل سلامت به دقت 93.41%  دست یافت که به ترتیب 2.56% و 8.41% افزایش دقت در مقایسه با روش‌های رقیب معرفی شده در سایر مقالات است.

نتیجه‌گیری: نتایج این مطالعه نشان داد که استفاده از هوش مصنوعی با توجه به تصاویر MRI در تشخیص بیماری آلزایمر دقت بالایی دارد.

واژه‌های کلیدی: بیماری آلزایمر، هیپوکامپوس، میدان تصادفی شرطی، شبکه عصبی عمیق، Inception
Article ID: Vol23-18
متن کامل [PDF 1110 kb]   (311 دریافت)    
نوع مطالعه: تحقيقي | موضوع مقاله: علوم اعصاب
* نشانی نویسنده مسئول: شیراز، شهر جدید صدرا، پردیس دانشگاه آزاد اسلامی واحد شیراز، دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، تلفن 36191679-071
فهرست منابع
1. Snyder HM, Carrillo MC, Grodstein F, Henriksen K, Jeromin A, Lovestone S, et al. Developing novel blood-based biomarkers for Alzheimer's disease. Alzheimers Dement. 2014 Jan; 10(1): 109-14. DOI: 10.1016/j.jalz.2013.10.007 [DOI] [PubMed]
2. Alberdi A, Aztiria A, Basarab A. On the early diagnosis of Alzheimer's Disease from multimodal signals: A survey. Artif Intell Med. 2016 Jul; 71: 1-29. DOI: 10.1016/j.artmed.2016.06.003 [DOI] [PubMed]
3. Guo J, Wang Z, Liu R, Huang Y, Zhang N, Zhang R. Memantine, Donepezil, or Combination Therapy—What is the best therapy for Alzheimer’s Disease? A Network Meta-Analysis. Brain and Behavior. 2020 Nov; 10(11): e01831. DOI: 10.1002/brb3.1831 [Article] [DOI]
4. Pietrzak K, Czarnecka K, Mikiciuk-Olasik E, Szymanski P. New Perspectives of Alzheimer Disease Diagnosis - the Most Popular and Future Methods. Med Chem. 2018; 14(1): 34-43. DOI: 10.2174/1573406413666171002120847 [DOI] [PubMed]
5. Mathew J, Mekkayil L, Ramasangu H, Karthikeyan BR, Manjunath AG. Robust algorithm for early detection of Alzheimer's disease using multiple feature extractions. 2016 IEEE Annual India Conference (INDICON). Bangalore, India. 2016; pp: 1-6. DOI: 10.1109/INDICON.2016.7839026 [View at Publisher] [DOI]
6. Belleville S, Fouquet C, Hudon C, Zomahoun HTV, Croteau J. Neuropsychological Measures that Predict Progression from Mild Cognitive Impairment to Alzheimer's type dementia in Older Adults: a Systematic Review and Meta-Analysis. Neuropsychol Rev. 2017 Dec; 27(4): 328-53. DOI: 10.1007/s11065-017-9361-5 [DOI] [PubMed]
7. Bjørklund G, Aaseth J, Dadar M, Chirumbolo S. Molecular Targets in Alzheimer's Disease. Mol Neurobiol. 2019 Oct; 56(10): 7032-44. DOI: 10.1007/s12035-019-1563-9 [DOI] [PubMed]
8. Zhang D, Wang Y, Zhou L, Yuan H, Shen D. Multimodal classification of Alzheimer's disease and mild cognitive impairment. Neuroimage. 2011 Apr; 55(3): 856-67. DOI: 10.1016/j.neuroimage.2011.01.008 [DOI] [PubMed]
9. Ahmed OB, Benois-Pineau J, Allard M, Amar CB, Catheline G. Classification of Alzheimer’s disease subjects from MRI using hippocampal visual features. Multimedia Tools and Applications. Springer Verlag. 2014; pp: 1-35. [View at Publisher]
10. Johnson KA, Fox NC, Sperling RA, Klunk WE. Brain Imaging in Alzheimer Disease. Cold Spring Harb Perspect Med. 2012 Apr; 2(4): a006213. DOI: 10.1101/cshperspect.a006213 [DOI] [PubMed]
11. Kumar Lama R, Gwak J, Park JS, Lee SW. Diagnosis of Alzheimer's Disease Based on Structural MRI Images Using a Regularized Extreme Learning Machine and PCA Features. J Healthc Eng. 2017; 2017: 5485080. DOI: 10.1155/2017/5485080 [DOI] [PubMed]
12. Lin TW, Huang PY, Wan-Chiung Cheng C. Computer-aided diagnosis in medical imaging: Review of legal barriers to entry for the commercial systems. 2016 IEEE 18th International Conference on e-Health Networking, Applications and Services (Healthcom). Munich, Germany. 2016; pp: 1-5. DOI: 10.1109/HealthCom.2016.7749517 [View at Publisher] [DOI]
13. Leggett CL, Wang KK. Computer-aided diagnosis in GI endoscopy: looking into the future. Gastrointest Endosc. 2016 Nov; 84(5): 842-44. DOI: 10.1016/j.gie.2016.07.045 [DOI] [PubMed]
14. Patil C, Mathura MG, Madhumitha S, David SS, Fernandes M, Venugopal A, Unnikrishnan B, et al. Using Image Processing on MRI Scans. 2015 IEEE International Conference on Signal Processing, Informatics, Communication and Energy Systems (SPICES). Kozhikode, India. 2015; pp: 1-5. DOI: 10.1109/SPICES.2015.7091517 [View at Publisher] [DOI]
15. Westman E, Aguilar C, Muehlboeck JS, Simmons A. Regional magnetic resonance imaging measures for multivariate analysis in Alzheimer's disease and mild cognitive impairment. Brain Topogr. 2013 Jan; 26(1): 9-23. DOI: 10.1007/s10548-012-0246-x [DOI] [PubMed]
16. Das D, Kumar Kalita S. Atrophy Measure of Brain Cortex to Detect Alzheimer’s Disease from Magnetic Resonance Images. In: Kalam A, Das S, Sharma K (Eds.). Advances in Electronics, Communication and Computing. Springer Nature Singapour. 2018; pp: 407-14. DOI: 10.1007/978-981-10-4765-7_43 [View at Publisher] [DOI]
17. Kruthika KR, Pai A, Maheshappa HD. Alzheimer’s disease Neuroimaging Initiative. Classification of Alzheimer and MCI Phenotypes on MRI Data Using SVM. International Symposium on Signal Processing and Intelligent Recognition Systems, Springer, Cham. 2017; pp: 263-75. [View at Publisher]
18. de Flores R, La Joie R, Landeau B, Perrotin A, Mézenge F, de La Sayette V, et al. Effects of age and Alzheimer's disease on hippocampal subfields: comparison between manual and FreeSurfer volumetry. Hum Brain Mapp. 2015 Feb; 36(2): 463-74. DOI: 10.1002/hbm.22640 [DOI] [PubMed]
19. Devanand DP, Bansal R, Liu J, Hao X, Pradhaban G, Peterson BS. MRI hippocampal and entorhinal cortex mapping in predicting conversion to Alzheimer's disease. Neuroimage. 2012 Apr; 60(3): 1622-29. DOI: 10.1016/j.neuroimage.2012.01.075 [DOI] [PubMed]
20. Rajeesh J, Moni RS, Palanikumar S, Gopalakrishnan T. Discrimination of Alzheimer’s disease usinghippocampus texture features from MRI. Asian Biomedicine. 2012 Feb; 6(1): 87-94. DOI: 10.5372/1905-7415.0601.131 [View at Publisher] [DOI]
21. Heaton J. Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep learning. Genet Program Evolvable Mach. 2018; 19: 305-307. DOI: 10.1007/s10710-017-9314-z [View at Publisher] [DOI]
22. Akkus Z, Galimzianova A, Hoogi A, Rubin DL, Erickson BJ. Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions. J Digit Imaging. 2017 Aug; 30(4): 449-59. DOI: 10.1007/s10278-017-9983-4 [DOI] [PubMed]
23. Alkabawi EM, Hilal AR, Basir OA. Computer-aided classification of multi-types of dementia via convolutional neural networks. 2017 IEEE International Symposium on Medical Measurements and Applications (MeMeA), Rochester, MN, USA, 2017; pp: 45-50. DOI: 10.1109/MeMeA.2017.7985847 [View at Publisher] [DOI]
24. Bishop C. Pattern Recognition and Machine Learning. 1st ed. New York: Springer-Verlag. 2006.
25. Salvatore C, Cerasa A, Battista P, Gilardi MC, Quattrone A, Castiglioni I. Magnetic resonance imaging biomarkers for the early diagnosis of Alzheimer's disease: a machine learning approach. Front Neurosci. 2015 Sep; 9: 307. DOI: 10.3389/fnins.2015.00307 [DOI] [PubMed]
26. Tong T, Gao Q, Guerrero R, Ledig C, Chen L, Rueckert D. A Novel Grading Biomarker for the Prediction of Conversion From Mild Cognitive Impairment to Alzheimer's Disease. IEEE Trans Biomed Eng. 2017 Jan; 64(1): 155-65. DOI: 10.1109/TBME.2016.2549363 [DOI] [PubMed]
27. Tondelli M, Wilcock GK, Nichelli P, De Jager CA, Jenkinson M, Zamboni G. Structural MRI changes detectable up to ten years before clinical Alzheimer's disease. Neurobiol Aging. 2012 Apr; 33(4): 825.e25-36. DOI: 10.1016/j.neurobiolaging.2011.05.018 [DOI] [PubMed]
28. Zhang YD, Wang S, Dong Z. Classification of Alzheimer Disease Based on Structural Magnetic Resonance Imaging by Kernel Support Vector Machine Decision Tree. Progress In Electromagnetics Research. 2014; 144: 171-84. DOI: 10.2528/PIER13121310 [View at Publisher] [DOI]
29. Liu S, Liu S, Cai W, Che H, Pujol S, Kikinis R, et al. Multimodal neuroimaging feature learning for multiclass diagnosis of Alzheimer's disease. IEEE Trans Biomed Eng. 2015 Apr; 62(4): 1132-40. DOI: 10.1109/TBME.2014.2372011 [DOI] [PubMed]
30. Ahmed OB, Benois-Pineau J, Allard M, Catheline G, Amar CB. Recognition of Alzheimer's disease and Mild Cognitive Impairment with multimodal image-derived biomarkers and Multiple Kernel Learning. Neurocomputing. 2017 Jan; 220: 98-110. DOI: 10.1016/j.neucom.2016.08.041 [View at Publisher] [DOI]
31. AlfonseM, Salem ABM. An automatic classification of brain tumors through MRI using support vector machine. Egyptian Computer Science Journal. 2016 Sep; 40(3): 11-21. [View at Publisher]
32. Lafferty J, McCallum A, Pereira FCN. Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data. conference paper. 2001 Jun. [Article] [View at Publisher]
33. Chen Zu, Biao Jie, Mingxia Liu, Songcan Chen, Dinggang Shen, Daoqiang Zhang. Label-aligned multi-task feature learning for multimodal classification of Alzheimer's disease and mild cognitive impairment. Brain Imaging Behav. 2016 Dec; 10(4): 1148-59. DOI: 10.1007/s11682-015-9480-7 [DOI] [PubMed]
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Shayegan M A, Moloudi Z. Diagnosis of Alzheimer's disease by MRI images using artificial intelligence. J Gorgan Univ Med Sci. 2021; 23 (1) :135-147
URL: http://goums.ac.ir/journal/article-1-3744-fa.html

شایگان محمدامین، مولودی زهرا. تشخیص بیماری آلزایمر از روی تصاویر MRI با استفاده از هوش مصنوعی. مجله علمي دانشگاه علوم پزشكي گرگان. 1400; 23 (1) :135-147

URL: http://goums.ac.ir/journal/article-1-3744-fa.html



دوره 23، شماره 1 - ( بهار 1400 ) برگشت به فهرست نسخه ها
مجله علمی دانشگاه علوم پزشکی گرگان Journal of Gorgan University of Medical Sciences
Persian site map - English site map - Created in 0.04 seconds with 29 queries by YEKTAWEB 4319