مقاله طبقه بندی برخی از روش های تشخیص آلزایمر

بخشی از مقاله

چکیده

آلزایمر ازجمله بیماریهای شایع قرن ۱۲ است که به انحصار به آن AD گفته میشود. در حال حاضر درمانی برای آن وجود ندارد و حتی ماهرترین متخصصان نیز در تشخیص و پیشگیری آن دچار خطا میشوند و در اکثر مواقع هنگامی این بیماری تشخیص داده میشود که عالئم آن بروز پیداکرده و کار چندانی برای بیمار نمیتوان انجام داد. بیماران آلزایمری، سلولهای مغزی خود را بهتدریج ازدستداده و بهموجب آن خاطرات و مهارتهای خود را از دست میدهد و رفتهرفته با از دست دادن کنترل سیستم عصبی، بیمار فوت میکند. راههایی برای جلوگیری از مبتال شدن وجود دارد که در تشخیص بهموقع میتوان این راهکارها را استفاده نمود.

بدین منظور روشهایی برای تشخیص ارائه گردیده است، ازجمله آنها تصویربرداری از غشای مغز و سپس تجزیهوتحلیل هوشمند کامپیوتری تصاویر به کمک روشهای آماری، الگوریتمهای یادگیری ماشین است. روشی که نرخ دقت بیشتری دارد موفقتر است. از آنجا که این بیماری بهسرعت در حال پیشرفت است، ونیاز به بررسی و یافتن بهترین متدها برای تشخیص دارد، این مقاله به بررسی جدیدترین روش های تشخیص زود هنگام AD می پردازد.

۱- مقدمه

بیماری آلزایمر که بهاختصار 1AD خوانده میشود، یک نوع اختلال عملکرد مغزی است که بهتدریج تواناییهای ذهنی بیمار تحلیل میرود. بارزترین نشانه زوال عقل، اختلال حافظه است. اختلال حافظه معمولاً بهتدریج ایجادشده و پیشرفت میکند. در ابتدا اختلال حافظه به وقایع و آموختههای اخیر محدود میشود ولی بهتدریج خاطرات قدیمی هم آسیب میبینند. آلزایمر رایجترین شکل زوال عقل است.

علائم این بیماری با از دست دادن قدرت حفظ اطلاعات، بخصوص حافظه موقت در دوران پیری آغازشده و بهتدریج با از دست دادن قدرت تشخیص زمان، افسردگی، از دست دادن قدرت تکلم، گوشهگیری و سرانجام مرگ در اثر ناراحتیهای تنفسی به پایان میرسد. مرگ پس از پنجتا ده سال از بروز علائم اتفاق میافتد؛ اما بیماری حدود بیست سال قبل از ظهور علائم آغازشده است.

این بیماری با از دست رفتن سیناپسهای نورونها در برخی مناطق مغز، نکروزه شدن سلولهای مغز در مناطق مختلف سیستم عصبی، ایجاد ساختارهای پروتئینی کروی شکلی به نام پلاکهای پیری - SP - در خارج نورونهای برخی مناطق مغز و ساختارهای پروتئینی رشتههایی به نام NFT در جسم سلولی نورونها، مشخص میشود. این بیماری علاج ناپذیر را اولین بار روانپزشک آلمانی به نام آلویز آلزایمر در سال 1906 میلادی معرفی کرد. آلزایمر زودرس - با شیوع کمتر - ممکن است زودتر از سن 65 رخ دهد، اما این بیماری غالباً در افراد بالای 65 سال بروز مییابد.

در سال 2006 میلادی 6٫26 میلیون نفر در جهان به این بیماری مبتلا بودند و پیشبینی میشود که در سال 2050 میلادی از هر 85 نفر یک مبتلابه آلزایمر وجود داشته باشد. 9]،>5 هنوز راه درمان قطعی برای آلزایمر وجود ندارد اما در صورت تشخیص زودهنگام این بیماری میتوان جلوی پیشرفت این بیماری را گرفت. روشهای زیادی برای تشخیص وجود دارد مانند آزمونهای روانشناختی، آزمایش خون و تصویربرداری که یکی از بهترین و دقیقترین روشها است.

در این مقاله برخی روشهای تشخیص خودکار که توسط الگوریتمهای مختلف ارائهشده بررسی شده است ازجمله: گلن فانگ و جاناتان استوکل - 2006 - به انتخاب ویژگی برای طبقهبندی تصاویر SPECT به کمک SVM برای تشخیص بیماری آلزایمر پرداختند. >1@،جورجن داکارت و همکاران - 2013 - با طبقهبندی FDG-PET و MRI بر اساس تجزیهوتحلیل برای تشخیص دقیق بیماری آلزایمر در مراکز درمانی مختلف با استفاده از SVM دست یافتند.>2@

ژین لو و همکاران - 2013 - به تعبیه خطی به شکل محلی - LLE - برای طبقهبندی MRI بیماری آلزایمر پرداختند >3@.سایکی لئو وهمکاران - 2014 - برای تشخیص زودهنگام بیماری آلزایمر از یادگیری عمیق استفاده کردند.>4@ایمان بهشتی - 2015 - به کمک تابع توزیع احتمال مبتنی بر طبقهبندی MRI به تشخیص بیماری آلزایمررسید>5@ایمان بهشتی - 2016 - با رتبهبندی ویژگیها بر اساس طبقهبندی MRI ساختاری به تشخیص بیماری آلزایمر پرداخت.>6@

ایمان بهشتی - 2016 - جهت تشخیص بیماری آلزایمر با استفاده از رتبهبندی ویژگیهای و خطای طبقهبندی از MRIساختاری استفاده کرد.>7@مسیه پلوچا و همکاران - 2016 - به کمک استخراج ویژگی های سطحی داخلی شیار مغزی 2بیماری آلزایمر را با استفاده از ویژگیهای شیار مغزی طبقهبندی کردند. >8@آنه البردیا و همکاران - 2016 - برایتشخیص زودرس بیماری آلزایمر از سیگنالها استفاده کردند.>9@

لن سورسنا و همکاران - 2017 - برای تشخیص افتراقی اختلال شناختی خفیف و بیماری آلزایمر از MRI ساختاری، ضخامت قشر مغز ، شکل هیپوکامپ، بافت هیپوکامپ، و اندازهگیری حجم کمک گرفتند. >10@ایکساهونگ - 2017 - برای طبقهبندی تصاویر CT مغز از شبکههای یادگیری عمیق بهره گرفت.>11@ تصویربرداری از مغز تاکنون از دقیقترین روشها بوده که دارای انواع مختلف است مانند X-Ray, SPECT, PET, FMRI, MRI و روشهای دیگر که در ادامه این مقاله به معرفی هرکدام و مقایسه آنها پرداخته میشود. در بخش دوم به عوامل مؤثر در ایجاد آلزایمر، بخش سوم روشهای تشخیص آلزایمر، بخش چهارم بررسی انواع الگوریتمها، بخش پنجم بررسی تصاویر مغزی، بخش ششم به مقایسه الگوریتمها و بهترین نوع تصویربرداری و در پایان به نتیجهگیری کلی پرداخته خواهد شد.

۲- عوامل مؤثر در ایجاد آلزایمر

مهمترین عامل، در ایجاد آلزایمرسن است. مطالعات نشان داده، میزان ابتلا به این بیماری برای کلیه سنین 1 درصد، وبرای افراد 65 سال و بیشتر 5 درصد است. این میزان پس از 65 سالگی به ازای هر 5 سال افزایش عمر، دو برابر میشود. عامل دیگر ارث است، 40 درصد از مبتلایان به آلزایمر از دخالت عوامل ارثی، به این بیماری مبتلا گشتهاند. عواملی از قبیل ضربهها یا آسیبهایی که به جمجمه وارد میشود، دیابت، عدم تحرک، داشتن وزن اضافی، افزایش فشارخون و کلسترول در بروز و پیشرفت این بیماری نقش دارند. رژیم غذایی سرشار از کالری و چربی نیز، احتمال ابتلا به بیماری آلزایمر را در افرادی که ازلحاظ ژنتیکی مستعد هستند افزایش میدهد. 

۳- روشهای تشخیص آلزایمر

امروزه با پیشرفت فنّاوری و گسترش روشهای متعدد اسکن غشاهای بدنی، شناسایی و تصویربرداری عملکردی مغز نیز میسر شده است. ازجمله این روشها عبارتاند از، آزمون عصب روانشناختی ، ارزیابی روانی، سیگنالهای فیزیولوژیکی ،CSF ، آزمایش خون ، CT-scan ،PET-scans ، مقطعنگاری رایانهای تک فوتونی SPECT ، MRI ، FMRI ، تصویربرداری مغناطیسی طیفسنجی رزونانس ،تصویربرداری کشیدگی عضله DTI ، داپلر ترانس کرانیال TCD سونوگرافی ، الکتروانسفالوگرام EEG و پویایی چشم .>9@

۴- بررسی برخی روشهای طبقهبندی

ازجمله روشهای تشخیص، تصویربرداری از غشای مغز و سپس تجزیهوتحلیل هوشمند کامپیوتری تصاویر به کمک روشهای زیر میباشد:

•    ماشین بردار پشتیبان

•    آزمونهای آماری

•    روشهای خطی

•    یادگیری عمیق

در ادامه درمورد هرکدام شرح داده خواهد شد.

۱-۴- طبقهبندی با ماشین بردار پشتیبان

ماشین بردار پشتیبانی 3SVMs یکی از روشهای یادگیری بانظارت است که از آن برای طبقهبندی و رگرسیون استفاده میکنند . [21@

۱-۱-۴-انتخاب ویژگی برای طبقهبندی تصاویر SPECT بیماری آلزایمر با استفاده از اطالعات مکانی با SVM

در این مقاله برای تشخیص زودهنگام آلزایمر با استفاده از روش SVMطبقه بندی تصاویر مغزی انجام شده است. درمجموع 158 نفراز چهار مرکز مختلف، ادینبورگ - اسکاتلند - ، نایس - فرانسه - ، جنوا - ایتالیا - ، و کلن - آلمان - انتخاب شدند، سپس با استفاده از تصویربرداری پرفیوژن SPECT برای تشخیص بیماری آلزایمر، تفاوت بین تصاویر افراد سالم و بیماران مبتلابه بیماری آلزایمر بررسیشده. فرمول پیشنهادی شامل اطلاعات در مورد ویژگیها است و طبقهبندی تولید میکند که بر اساس وکسل، مناسبترین "مناطق" را انتخاب میکند و مناسب برای طبقهبندی است، درنتیجه طبقهبندی، قویتر و مفید برای تفسیر است. این رویکرد با روش تفکیک فیشر خطی - FLD - و همچنین با نقشهبرداری پارامتری آماری - SPM - مقایسه شده است.>1@

۲-۱-۴-طبقهبندیFDG-PET و MRI بر اساس تجزیهوتحلیل

برای تشخیص دقیق بیماری آلزایمر در مراکز درمانی مختلف با استفاده از SVM

در این روش دادهها از 28 فردآلزایمری و 28 فرد سالم از پایگاه داده ADNI تهیه شده است . سپس با دادههایی از 21 فرد مبتلابه آلزایمرو 13 فرد گروه شاهد از همگروهی لایپزیگ مقایسه شده است .در طبقهبندی SVM با استفاده از حجم مفید اطلاعات، از FDG-PETو MRI بر اساس تجزیهوتحلیل سندرم زوال عقل، به مقایسهی دقت طبقهبندی پرداختهشده است. >2@

۳-۱-۴-استخراج سطح داخلی شیار مغزی و طبقهبندی بیماری آلزایمر با استفاده از ویژگیهای شیار مغزی استخراج ویژگیهای شیار مغزی با استفاده از محاسبه سطح داخلی شیار مغزی برای طبقهبندی افراد سالم و بیمار به کار میرود برای این کار 210 نفر از پایگاه داده ADNI انتخاب شدند، ویژگیهای داخلی شیار مغزی - سطح عمق و طول، متوسط و انحنای گاوسی - برای طبقهبندی افراد سالم و بیمار با یک ماشین بردار پشتیبان محاسبه شد ،که با بررسی هر دو نیمکره مغز به نتایج قابلتوجهی منجر شد .>8@

۲-۴- طبقهبندی با روشهای آماری

از مورفومتری4 مبتنی بر وکسل VBMبرای یافتن نواحی مغزی که در آنها اختلاف تراکم ماده خاکستری بین افراد سالم و افراد مبتلابه آلزایمر بیشینه است ،استفاده میکنیم. VBM شامل مقایسه وکسل به وکسل، تراکم محلی 2 ماده خاکستری بین دو گروه از افراد میباشد. این روش متشکل از چندین مرحله پیشپردازش دادهها است و پسازآن بررسیهای آماری بر روی تصاویر پیشپردازش شده صورت میگیرد. نحوه انجام پیشپردازش دادهها بر روی نتایج استخراجشده تأثیر مستقیم میگذارد14]،.[13

۱-۲-۴- تابع توزیع احتمال مبتنی بر طبقهبندی MRI برای

تشخیص بیماری آلزایمر

در این مقاله روشی خودکار برای تشخیص بیماری آلزایمر طراحیشده است. برای کاهش ویژگیهای آماری بر اساس تابع توزیع احتمال - PDF - معرفیشده است. برای انجام این کار از مجموعه داده ADNI استفادهشده شامل، 260 نفر که 130 نفر افراد سالم و 130 نفر بیمار بودند. روش شامل 4 بخش میباشد.

•    روش مورفومتری مبتنی بر وکسل - VBM -

•    خوشه وکسل به شرح VOIS

•    استفاده از تابع آماری pdf برای انتخاب ویژگی

•    طبقهبندی با ماشین بردار پشتیبان .>5@

۲-۲-۴- رتبهبندی ویژگیها بر اساس طبقهبندی بیماری آلزایمر از ساختار MRI

در این مقاله روشی برای طبقهبندی خودکار بیماری آلزایمر استفادهشده است که با استفاده از آزمونT که نوعی آزمون آماری است و همچنین معیار فیشر که روش مبتنی بر انتخاب ویژگی است بررسیشده است. سیستم طبقهبندی پیشنهادی شامل 5 سطح است:

•    روش مورفومتری مبتنی بر وکسل - VBM -

•    خوشه وکسل به شرح VOIS

•    استخراج ویژگی بین دو گروه سالم و بیمار به کمک آزمون T

•    طبقهبندی با ماشین بردار پشتیبان

•    استفاده از روش همجوشی دادهها برای بهبود عملکرد طبقهبندی بر اساس خوشه آتروفی سیستم بهکاررفته در این تحقیق شامل 136 نمونه، 68 تصویر مغزی از افراد سالم و 68 تصویر از افراد بیمار از مجموعه داده ADNI تهیهشده است. >6@

۳-۲-۴- سازه MRI مبتنی بر تشخیص بیماری آلزایمر با

استفاده از رتبهبندی از ویژگیها و خطای طبقهبندی برای تشخیص بیماری آلزایمر روشی خودکار طراحیشده است. برای کاهش ویژگیهای آماری ،تابع توزیع احتمال PDF معرفیشده است. این روش شامل 4 بخش است.

•      روش مورفومتری مبتنی بر وکسل - VBM -

•    خوشه وکسل به شرح VOIS

•    انتخاب ویژگی با هفت روش وابستگی آماری SD، اطلاعات متقابل MI، کسب اطلاعات IG، ضریب همبستگی پیرسون PCC، نمره آزمون T - TS - ، معیار فیشر FC و شاخص جینی GI

•    طبقهبندی با ماشین بردار پشتیبان

سیستم بهکاررفته در این تحقیق شامل 136 نمونه، 68 تصویر مغزی از افراد سالم و 68 تصویر از افراد بیمار از مجموعه داده ADNI تهیهشده است.>7@

۳--4 طبقهبندی به روش خطی

طبقه بندی خطی یکی از روشهای بازشناسی الگو است که در مبحث شبکه های عصبی دائماً با آن روبه رو می شویم.>10@

۱-۳--4تعبیه خطی محلی - LLE - برای طبقهبندی MRI

بیماری آلزایمر

در این کار 413 نمونه از افراد سالم و بیمار انتخاب شدند. طبقهبندی افراد با سطوح مختلف از نقصهای شناختی و آلزایمر، بر اساس دادههای چند متغیرهMRI بهطور خاص، با استفاده از LLE بهبود مییابد. در این مقاله به طبقهبندی تصاویر مغزی بر اساس برخی مشخصههای آن مثل ضخامت، شکل و غیره پرداختهشده است ،درواقع بررسیشده که در این مدل اگر مثلاً شخصی که اختلال شناختی خفیف دارد در طی سه سال مبتلابه آلزایمر میشود یا خیر، برای طبقهبندی تصاویر در این مقاله از LLE استفادهشده و در آخر این روش با روشهای قبلی بر اساس آزمونهای آماری مقایسه شده که نشان می دهد این روش بهتر است.>3@

۲-۳--4تشخیص افتراقی اختالل خفیف شناختی و بیماری آلزایمر با استفاده از MRI ضخامت قشر ساختاری مغز، شکل هیپوکامپ، بافت هیپوکامپ و اندازهگیری حجم برای تشخیص تفاوت NC، MCI و AD بهطور همزمان بر اساس یک اسکن MRI ساختاری پرداخته شد.[16] دادهها از سه مجموعه ADNI،AIB و CADDEMENTIA به دست آمد، این مقاله برای به دست آوردن یک بیومارکر ترکیبی از طیف وسیعی از اندازهگیریهای حجمی، اندازهگیری ضخامت قشر مغز، بافت و شکل هیپوکامپ استفاده کرده است. همچنین از اطلاعات موجود در یک MRI ساختاری استفاده میشود. این ترکیب با واردکردن تمام نشانگرهای زیستی در یک طبقهبندی خطی، آنالیز تشخیصی خطی - - LDA ویژگیها را به دست میآورد. داده های این مقاله از سه پایگاه گرفتهشده و در هر مرحله دادهها با خصوصیات مختلف بررسیشده است.>10@

۴-۴- طبقهبندی به روش یادگیری عمیق

یادگیری عمیق شاخه ای از بحث یادگیری ماشینی و مجموعه ای از الگوریتم هایی است که تلاش می کنند مفاهیم انتزاعی سطح بالا را با استفاده یادگیری در سطوح و لایه های مختلف مدلسازی کنند .>22@

۱--4-4تشخیص زودهنگام بیماری آلزایمر با یادگیری عمیق

یک مدل تشخیص آلزایمر با یادگیری عمیق به روش SOFTMAX و AUTOENCODER  طراحی شد. 311 عکس MRI و PET از دو گروه دارای اختلال خفیف و سالم از مجموعه داده ADNI