Journal of Gorgan University of Medical Sciences

fa تشخیص بیماری آلزایمر از روی تصاویر MRI با استفاده از هوش مصنوعی Diagnosis of Alzheimer's disease by MRI images using artificial intelligence علوم اعصاب Neurosciences تحقيقي Original Articles 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. Background and Objective: Early diagnosis of Alzheimer's disease (AD) seems necessary due to the high cost of care and treatment, the uncertainty of existing therapies, as well as the worrying future of the patient. This study was conducted to AD diagnosis by MRI images using artificial intelligence methods. Methods: In this research, a computer system for early detection of AD with using machine learning algorithms is presented in the framework of computer-aided process. Conditional random field and Inception deep neural network have been adapted for brain MR images to detect AD. Since hippocampal tissue is one of the first tissues to be affected by AD, hence for the early detection of this disease, the hippocampus was located from other brain tissues firstly and then due to the extent to which this tissue is affected, the diagnosis was made. Conditional random field could accurately extract hippocampal fragments of different shapes in all three brain planes. These components serve as the basis for feature extraction by the deep network. The proposed method was tested on standard ADNI dataset images and its performance was demonstrated. The used Inception network has been trained on the huge ImageNet dataset. One of the important steps is knowledge transfer of the problem under consideration. To facilitate this, data augmentation process was applied according to the shape and structure of the hippocampus. Results: The implemented method in this research, achieved to 98.51% accuracy for two-class classification of "Alzheimer" versus "Normal control" and achieved to 93.41% accuracy for two-class classification of "Mild cognitive impairment" versus "Normal control", which increased by 2.56% and 8.41%, compared with the rival methods, respectively. Conclusion: The achieved results of this study showed that the using of artificial intelligence techniques has highly accurate in diagnosing AD according to MRI images. بیماری آلزایمر , هیپوکامپوس , میدان تصادفی شرطی , شبکه عصبی عمیق , Inception Alzheimer Disease,Hippocampus,Conditional Random Field,Deep Neural Network,Inception, 135 147 http://goums.ac.ir/journal/browse.php?a_code=A-10-3163-1&slc_lang=fa&sid=1 Mohammad Amin Shayegan محمدامین شایگان shayegan@iaushiraz.ac.ir 5900319475328460062207 5900319475328460062207 Yes Assistant Professor, Department of Computer Engineering, Shiraz Branch, Islamic Azad University, Shiraz, Iran. استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران. Zahra Moloudi زهرا مولودی 5900319475328460062208 5900319475328460062208 No M.Sc in Artificial Intelligence Robotics, Department of Computer Engineering, Shiraz Branch, Islamic Azad University, Shiraz, Iran. کارشناس ارشد رشته مهندسی کامپیوتر – هوش مصنوعی، دانشکده فنی و مهندسی، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران.