بخشی از پاورپوینت
اسلاید 1 :
نخستین کنگره ملی-دانشجویی علوم شناختی
انتخاب ویژگیهای بهینه در شناسایی بیماری اوتیسم از تصاویر fMRI برمبنای الگوریتم ژنتیک
اسلاید 2 :
اختلال طیف اوتیسم
تشخیص اختلال طیف اوتیسم با استفاده از تصاویر تشدید مغناطیسی کارکردی
مروری بر پژوهشهای پیشین
بیان مسئله
روش پیشنهادی
کاهش ابعاد ویژگی دادههای ورودی برمبنای الگوریتم ژنتیک
ارزیابی نتایج
جمع بندی
فهرست:
اسلاید 3 :
اختلال طیف اوتیسم یا درخودماندگی در سال 1943 توسط لئو کارنر، روانپزشک کودک در ایالات متحده امریکا معرفی شد.
اختلال طیف اوتیسم نوعی اختلال روانی است که ریشه آن در مراحل اولیه رشد و عملکرد مغز است. اوتیسم در سه سال اول زندگی رخ میدهد و بر اساس نقص مداوم در مهارتهای کلامی، دیداری، شنیداری، لمسی و رفتارهای اجتماعی فرد بروز میکند.
هدف شناسایی اختلال طیف اوتیسم
افزایش روند بیماری اوتیسم طی سال های اخیر
عدم امکان تشخیص آن بر اساس آزمایشات بیولوژیکی قبل از تولد
مشکلات برقراری ارتباط با دنیای خارج
نحوه تشخیص اختلال طیف اوتیسم با استفاده تصاویر fMRI
اسلاید 4 :
با ظهور تصاویرfMRI و توسعه ابزارهای پردازش آنها، استفاده از این تصاویر در شناسایی و ارزیابی عملکرد مغز افراد اوتیستیک مورد توجه بسیاری قرار گرفت.
تصویربرداری تشدید مغناطیسی کارکردی مشهور به fMRI از جمله تکنیکهای کارا براي مطالعه تغییرات ارتباطات عملكردي نواحی مختلف مغز با بررسی تغییرات جریان و میزان اکسیژن خون است.
مزایای استفاده از تصاویر fMRI
ذات غیرتهاجمی
دسترسی آسان
حد تفکیک زمانی-مکانی نسبتاً بالا
توانایی مدل کردن عملکرد نواحی مختلف مغز
تشخیص علائم پیشرفت اختلالات روانی یا حرکتی مانند اوتیسم، آلزایمر و پارکینسون
نحوه تشخیص اختلال طیف اوتیسم با استفاده تصاویر fMRI
اسلاید 5 :
نخستین کنگره ملی-دانشجویی علوم شناختی
بررسی پژوهشهای پیشین
1999
چندین ناحیه از مغز به طور مشابه در دو گروه سالم و اوتیسم فعال شدند. تنها تفاوت در مناطق قشر پیشانی است که در گروه افراد سالم فعالیتهای گستردهتری داشتند.
اسلاید 6 :
کاهش ارتباطات عملکردی بین شبکههای عصبی مغز در افراد مبتلا به اوتیسم
بررسی پژوهشهای پیشین
اسلاید 7 :
تفکیک افراد اوتیسم از افراد سالم بر اساس الگوی کارکردی مغز در حالت استراحت تصاویر fMRI توسط روشهای یادگیری ماشین شامل ماشینهای بردار پشتیبان، جنگلهای تصادفی و شبکه عصبی عمیق
بررسی پژوهشهای پیشین
اسلاید 8 :
با ایجاد شبکه عصبی در تصاویر fMRI ابتدا ویژگیهای مناطق مورد نظر مغز را استخراج کرده و سپس برای طبقه بندی 3000 ویژگی بدست آمده، با استفاده از روش شبکه عصبی عمیق (DNN) به دقت 93/39 درصد رسیدهاند.
بررسی پژوهشهای پیشین
اسلاید 9 :
با هدف کاهش ابعاد مجموعه دادههای تصاویر تشدید مغناطیسی کارکردی، از روش آنالیز مولفه اصلی و طبقهبندی بدون نظارت سلسه مراتبی استفاده کردند.
بررسی پژوهشهای پیشین
اسلاید 10 :
بیان مسئله
با توجه به فضای ویژگی با ابعاد بسیار بالای ماتریس ارتباط عملکردی در تصاویر fMRI برای تفکیک افراد اوتیستیک از افراد سالم انتخاب یک زیر مجموعه بهینه که منجر به افزایش دقت طبقهبندی شود، یک مساله بهینهسازی سخت (NP) میباشد.
الگوریتمهای یادگیری ماشین در فضای ویژگی با ابعاد بالا دچار چالشهایی نظیر پدیده هیوز می شود.
امکان جمع آوری داده های آموزشی زیاد متناسب با ابعاد بالای فضای ویژگی بسیار هزینه بر است.
تقسیم مغز هر فرد به 116 ناحیه منجر به ایجاد ماتریس ارتباط عملکردی با 6670 ویژگی می شود.
استفاده از الگوریتم بهینهسازی ژنتیک به عنوان یکی از ابزارهای قدرتمند جستجوی فراابتکاری در انتخاب ویژگیهای بهینه از ماتریس ارتباط عملکردی دارای مزایای زیر است:
افزایش دقت
کاهش زمان پردازش
کاهش حجم محاسبات
اسلاید 11 :
تهیه داده
پیشپردازش دادههای ورودی
آنالیز تصاویر fMRI
ساخت فضای ویژگی برمبنای ماتریس ارتباط عملکردی
کاهش ابعاد فضای ویژگی با استفاده از الگوریتم فراابتکاری ژنتیک
ارزیابی نتایج
روش پیشنهادی
اسلاید 12 :
روش پیشنهادی
اسلاید 13 :
تهیه داده
اسلاید 14 :
پیشپردازش
FMRIB Software Library (FSL)
پیشپردازش زمانی
تصحیح خطای زمانی ناشی از برش
پیشپردازش فضایی
تصحیح حرکت سر
تصحیح اعوجاج
نرمالسازی
فیلترینگ زمانی
فیلترینگ مکانی
اسلاید 15 :
عملکرد و همبستگی سریهای زمانی بین مناطق مختلف مغز با ایجاد یک نقشه از ارتباط عملکردی (FC)تعیین میشود.
مغز هر فرد طبق اطلس خودکار آناتومیکی (ALL) به 116 ناحیه تقسیم شد.
ساخت فضای ویژگی
اسلاید 16 :
طبقهبندی کننده
الگوریتم طبقهبندی کننده نزدیکترینK همسایه(KNN)
الگوریتم یادگیری ماشین نظارت شده
انتخاب %70 نمونهها به عنوان داده آموزشی و %30 به عنوان داده آزمایشی
نمونه آزمایشی درکلاسی قرار میگیرد كه دربین K نزدیکترین همسایگان نمونه، تعداد بیشتری از همسایگان به آن کلاس تعلق داشته باشند.
اسلاید 17 :
الگوریتم ژنتیک
الگوریتم فراابتکاری ژنتیک جمعیت مبنا و از علم ژنتیک اقتباس گردیده است و در سال 1975 توسط جان هالند معرفی شد.
نحوه کاهش ابعاد ویژگی دادههای ورودی با الگوریتم فراابتکاری ژنتیک:
کروموزوم
کدگذاری دودویی
انتخاب
الگوریتم چرخ گردان
تلفیق
استفاده از روش تک نقطه ای
جهش
اسلاید 18 :
استفاده از نتایج جدول ماتریس خطا برای محاسبه معیارهای تشخیص، حساسیت و دقت
Specificity(TNR) = TN/(TN+FP)
Sensitivity(TPR) = TP/(TP+FN)
Accuracy = (TP+TN)/(TP+TN+FP+FN)
معیارهای ارزیابی نتایج
اسلاید 19 :
ارزیابی نتایج
