بخشی از مقاله
چکیده -
شناسایی زود هنگام بیماری آلزایمر از اهمیت زیادی برخوردار است، زیرا امکان انجام اقدامات مناسب، جهت کاهش علایم و تسهیل بیماری را فراهم خواهدکرد. به همینمنظور سیستمهای کامپیوتری کمک به تشخیص طبی - CAD - ، میتوانند کمک شایانی برای پزشکان باشند. در این مقاله یک روش خودکار جهت بهبود تشخیص بیماری آلزایمر، مبتنی بر تصاویر ساختاری T1-weighted MR ارائه شده است.
روش استخراج ویژگی استفاده شده در این مقاله، مبتنی بر وکسلهای شناسایی شده، توسط مقایسهی محلی غلظت وکسلها، در بیماران آلزایمر و افراد سالم، با استفاده از آنالیز VBM بههمراه DARTEL و وزندهی به تمام وکسلها بر اساس نقشهی آماری t است. این ویژگیها به عنوان ورودی، به طبقهبند ماشین بردار پشتیبان با کرنل خطی و RBF داده میشوند. به منظور شناسایی و وزندهی به ویژگیهایی که مشارکت بیشتری در جداسازی دو گروه دارند، از الگوریتم تکاملی رقابت استعماری استفاده شده است. عملکرد روش پیشنهادی ما بر روی پایگاهدادهی OASIS ارزیابی شدهاست و نتایج بهدست آمده، حاکی از کارآمدی آن، در مقایسه با روش مشابه دارد.
-1 مقدمه
آلزایمر یک بیماری عصبی و شایع ترین نوع زوال عقل است. حدود 60 تا 80 درصد موارد زوال عقل مربوط به بیماری آلزایمر است .[1] این یک بیماری تخریب اعصاب مزمن و پیشرونده است که باعث مرگ سلولها میشود و بهصورت آهسته شروع شده و با گذشت زمان بدتر میشود. شایعترین علامت زودهنگام آن، اختلال در بیادآوردن وقایع اخیر میباشد. علت این بیماری هنوز ناشناخته است و درمان مشخصی ندارد، اما شناسایی زود-هنگام آن به بیماران کمک میکند تا از درمانهای مناسب جهت کاهش علایم و تسهیل بیماری استفاده کنند
تصاویر ساختاری MRI یکی از پرکاربردترین ابزار برای شناسایی بیماری آلزایمر به شمار میرود و این بهدلیل رزولوشن و کنتراست بالای این تصاویر، جهت تمایز بافتهای مغز است .[3] اندازگیری آتروفی - کوچک شدن - در مغز توسط MRI میتواند یک نشانگر بسیار خوب برای تعیین مرحله و شدت تخریب نورونها در بیماری باشد
تعدادی از مقالات بطور سنتی با رویکرد مبتنی بر ROI و استفاده از اندازگیری حجم و یا تحلیل شکل هیپوکامپس، سعی در جداسازی افراد سالم و بیماران آلزایمر داشتهاند . اما در عمل، همیشه یک اطلاعات اولیه از منطقهی مورد آسیب وجود ندارد. حتی اگر یک فرضیهی اولیه در ارتباط با ROI وجود داشته باشد، این منطقه ممکن است تنها بخشی از مناطق غیرطبیعی مغز باشد، که همینامر بهطور بالقوه موجب کاهش دقت آماری این آنالیز خواهد شد
این محدودیتها توسط روشهایی با عنوان آنالیز مورفولوژی، مانند مورفولوژی مبتنی بر وکسل - VBM - از بین خواهد رفت. در [9] وکسلهای مورد توجه توسط آنالیز VBM از تصاویر استخراج شده و از میانگین و انحرافازمعیار و همینطور مقدار شدت روشنایی وکسلها بهعنوان ویژگی استفاده شده است. نتایج نشان داده که استفاده از میانگین و انحراف معیار بهعنوان ویژگی، نتایج بهتری از مقادیر شدت روشنایی وکسلها خواهد داشت. در [10] نیز بهطور مشابه، مقادیر شدت روشنایی وکسلهای استخراجی از VBM بههمراه DARTEL به عنوان ویژگی درنظر گرفته شده-اند. چون تعداد این وکسلها از تعداد نمونهها بسیار بیشتر است، از یک روش انتخاب ویژگی جدید مبتنی بر تابع توزیع احتمال بهره برداری شده است.
در این مقاله، آنالیز VBM به-همراه DARTEL بهکار بردهشده تا آن مناطقی از مغز، در بیماران آلزایمر و افراد سالم که تفاوت بیشتری در غلظت مادهی خاکستریشان وجود دارد شناسایی شوند. برخلاف روشهای گذشته، بهجای استفاده از ماسک باینری از یک ماسک وزندار استفاده شده، تا بر همین اساس، به آن وکسلهای شناسایی شده وزن بیشتر و به سایرین وزن کمتری اختصاص داده شود. از الگوریتم تکاملی ICA نیز جهت وزندهی به ویژگیها، جهت شناسایی ویژگیهایی که قدرت بیشتری در جداسازی بیماران آلزایمر و افراد سالم دارند استفاده شده است. در نهایت این بردارهای ویژگی وزندار، جهت طبقهبندی به طبقهبند ماشین بردار پشتیبان با هستههای خطی و RBF داده میشوند.
-2 مواد و روش روش زیر جهت جداسازی بهتر بیماران آلزایمر از افراد سالم، پیشنهاد شدهاست.
-1-2 پایگاهداده
ساختاری MRI استفاده شده در این مطالعه، از پایگاه-دادهی OASIS تهیه شده اند .[11] این پایگاهداده شامل 416 فرد بزرگسال 18 تا 96 سال است. از میان این افراد، 49 فرد سالم و 49 بیمار مبتلا به آلزایمر، مشابه با مرجع [9] انتخاب شده است. جزییات افراد در جدول 1 و دو نمونه از تصاویر پایگاهداده در شکل 1 ارائه شده است.
جدول :1 خلاصهای از مشخصات افراد. CDR=0.5 بیانگر بیماری خفیف، CDR=1 بیماری متوسط و CDR=1 بیماری شدید است.
شکل :1 الف - فرد سالم با سن 65 سال. ب - بیمار مبتلا به آلزایمر خفیف با سن 81 سال.
-2-2 پیشپردازش و آنالیز VBM بههمراه DARTEL پیشپردازشهای روش پیشنهادی توسط نرمافزار SPM نسخهی 11 و VBM نسخهی 8 انجام میگیرد. در VBM تفاوتهای محلی در بافتهای مغز، توسط مقایسهی وکسل به وکسل ناحیه-بندی میشود. اخیرا VBM جهت شناسایی تغییرات آتروفی در بیماران آلزایمر استفاده شده است .[9,10,12] جهت بهبود ثبت بین افراد در تصاویر MRI، از DARTEL یا ثبت آناتومیکالی دیفورمیک استفاده شده است، که درواقع با استفاده از استراتژی لونبرگ_ مارکوات، بهدنبال بهینه کردن حساسیت این آنالیز است.
الگوریتم DARTEL دارای قدرت بسیار خوبی در مشخص کردن دقیق محل آسیب ساختار دارد و موجب پردازش بهتر مادهی خاکستری مغز میشود. در جعبهابزار VBM، تمام تصاویر به فضای MNI منتقل میشوند، که شامل تبدیل دقیق خطی و دگردیسی غیرخطی، با استفاده از عملیات نرمالیزهی DARTEL با ابعاد بالا است. تصاویر ناحیهبندی شدهی نرمالیزه شده، توسط یک عملیات دگردیسی غیرخطی، مدوله میشوند. عملیات نرم کردن را تنها بر روی مادهی خاکستری مغز انجام میدهیم، زیرا بعد از این، تمام پردازشها بر روی همین قسمت از مغز انجام خواهد گرفت. این کار توسط کانوالو یک هستهی گوسی با مادهی خاکستری مغز و با قرار دادن مقدار FWHM بر روی 10 میلی متر ایزوتراپیک صورت میگیرد.
پس از آن، تمامی مادهی خاکستری نرم، مدوله و نرمالیزه شده توسط DARTEL به عنوان ورودی نرمافزار SPM، جهت آنالیز آماری two-sample t test، مورد استفاده قرار میگیرند. خروجی این روش، آن وکسل-هایی است - VOI - که بین گروه بیماران آلزایمر و افراد سالم بیشترین تفاوت در غلظت مادهی خاکستریشان وجود داشته است. به این وکسلها وزن بیشتر و به سایر وکسلها وزن کمتری اختصاص داده میشود. این وزنها براساس نقشهی آماری t اعمال میشوند. شکل 2 مناطقی از مغز بیماران آلزایمر را نشان می دهد که بیشترین آتروفی را متحمل شدهاند. همانطور که انتظار میرفت، مناطق مربوط به هیپوکامپس و نواحی اطراف آن بیشترین تفاوت را بین دو گروه ایجاد کردهاند.
-3-2 استخراج ویژگی
آنالیز VBM بههمراه DARTEL، جهت شناسایی وکسلهای قابل توجه بهکار میرود. نقشهی آماری t تولید شده، به عنوان یک ماسک سه بعدی بر روی تصاویر مادهی خاکستری تمامی افراد اعمال میشود. پس از اعمال ماسک، آن مناطق مشخص شده در شکل 2 مقدار غلظت وکسلشان بزرگتر از سایر مناطق خواهد بود که نشان دهندهی میزان اهمیت این وکسلها در جداسازی افراد سالم از بیماران آلزایمر است. جهت استخراج ویژگی، از مقدار میانگین و انحراف از معیار مادهی خاکستری ضرب شده در ماسک مورد نظر، استفاده شده است.
شکل :2 خروجی VBM بههمراه .DARTEL الف - از نمای coronal ، ب - از نمای sagittal، ج - از نمای .axial نقاط تیره نشانگر وکسلهایی است که در بیماران آلزایمر تفاوت چشمگیری در غلظتشان بهنسبت افراد سالم وجود داشته است.
-4-2 وزندهی به ویژگیها بردار ویژگی خام تولید شده در مرحلهی قبل، به تنهایی نمی-
تواند بهطور مناسبی، بیماران آلزایمر را از افراد سالم تمیز دهد. بدینجهت از یک روش، جهت وزندهی به این بردار ویژگیها استفاده شدهاست. هدف از اینکار، تعیین آن ویژگیهایی است که تمایز بهتری بین دو گروه ایجاد میکنند. بدینصورت به آن ویژگیهایی که نقش بیشتری در جداسازی افراد دارند وزن بیشتر و به بقیه وزن کمتری اختصاص داده میشود. برای اینامر از الگوریتم تکاملی رقابت استعماری - ICA - استفاده شده است .[13] این الگوریتم، همانند سایر روشهای بهینهسازی تکاملی، با تعدادی جمعیت اولیه شروع میشود.
هر عنصر جمعیت، یک کشور نامیده میشود. کشورها به دو دسته مستعمره و استعمارگر تقسیم میشوند. هر استعمارگر، بسته به قدرت خود، تعدادی از کشورهای مستعمره را به سلطه خود درآورده و آنها را کنترل میکند. سیاست جذب و رقابت استعماری، هستهی اصلی این الگوریتم را تشکیل میدهند . در این مقاله تعداد جمعیتها 500 و تعداد امپراطوریها 50 عدد انتخاب شدهاست. این الگوریتم، یک بردار وزن بهینه - 1*n - ، که n بیانگر تعداد ویژگیهایمان است، محاسبه کرده و در بردارهای ویژگی استخراج شده از تمامی افراد مورد مطالعه، ضرب میکند.
-5-2 طبقهبندی پس از اینکه ویژگیهای مناسب استخراج شد، نیاز است تا آنها
طبقهبندی شوند. محدودهی گستردهای از روشهای بانظارت برای اینکار وجود دارد که یکی از معروفترین آنها در زمینه جداسازی بیماران آلزایمر، طبقهبند ماشین بردار پشتیبان است. در الگوریتم بردار پشتیبان ، پارامترهای تابع تصمیمگیری به گونهای تعیین میشوند که ریسک عملیاتی کمینه شود نه صرفا خطای طبقهبندی. در این مطالعه، از بردار پشتیبان با هستهی خطی و هستهی RBF استفاده شدهاست.
-3 نتایج تجربی
اعتبارسنجی متقابل - Cross Validation - CV - - یک روش آماری برای ارزیابی و مقایسهی طبقهبندها است. در CV قسمتی از پایگاهداده برای آموزش و قسمتی دیگر برای آزمودن طبقهبند انتخاب میشوند. K-fold CV یک روش متداول برای ارزیابی عملکرد طبقهبند است. این کار باعث کاهش واریانس ارزیابی میشود. در این مطالعه، نمونهها به 10 قسمت تقسیمبندی شده و متعاقبا 10 بار آموزش و اعتبارسنجی میشوند و بین نتایج خروجیشان میانگینگیری میشود. لازم به ذکر است که در هربار تقسیمبندی، تعداد بیماران آلزایمر و افراد سالم برابر در نظر گرفته شدهاند. LIBSVM یک کتابخانه در دسترس برای ماشین بردار پشتیبان است، که در این پژوهش مورد استفاده واقع شده است . جهت ارزیابی عملکرد الگوریتم، معیار دقت و حساسیت مدنظر قرار داده شده است.
