سال انتشار : 2016

تعداد صفحاتد انگلیسی : 11پی دی اف

تعداد صفحات فارسی : 21ورد

چکیده

ما با هدف کشف افراد دارای فلج چند گانه (MS) از کنترل های سالم (HC) در تصویر برداری رزنانس مغناطیسی یک سیستم جدید را بر اساس فراگیری ماشین توسعه داده ایم . داده تصویر برداری MS از لابراتوار eHealth در دانشگاه قبرس دانلود شده بود و داده تصویر برداری HC در بیمارستان محلی ما با داوطلباتی اسکن شده بود که از بر اساس تبلیغات نام نویسی کرده اند . عادی سازی اسکن درونی برای حذف اختلاف سطح خاکستری بکار گرفته شد . ما هزینه های دسته بندی اشتباه را تنظیم می نماییم تا تاثیر توزیع دسته نامتوازن را بر عملکرد دسته بندی کاهش دهیم . ما از انتروپی موجک ایستاء دو سطحی (SWE) استفاده کرده ایم تا خصیصه های تصاویر مغزی را استخراج نماییم . سپس ما سه دسته کننده مبتنی بر فراگیری ماشین را مقایسه کرده ایم که عبارتند از : درخت تصمیم ، نزدیک ترین همسایه ها (KNN ) و ماشین بردار پشتیبانی . نتایج آزمایشی یک kNN را که در میان کل سه دسته کننده به بهترین نحو اجراء شده اند را نشان داده اند . بعلاوه ، رویکرد SWE + kNN پیشنهادی با چهار رویکرد با جدید ترین تکنولوژی در اولویت قرار دارد . رویکرد کشف MS پیشنهادی ما موثر است .

1 – مقدمه

فلج چندگانه (MS ) یک بیماری با خراب شدن میلین (myelin) می باشد که بواسطه آسیب به پوشش عایق کننده سلول های عصبی در سیستم عصبی مرکزی (1-4 ) ایجاد شده است . نشانه های بیماری بر حسب نوع افراد متفاوت هستند و عمدتا شامل ناتوانی فیزیکی(5) و مشکلات ذهنی(6) می باشند . بیماران به طور خاص ممکن است دچار اختلال بینایی(7) ، آسیب شبکیه ای(8) ، دید رنگ معیوب (9)، ضعف عضلانی ، خستگی ، افسردگی(10) و غیره شوند .

کشف آسیب شدید بافت به دلیل ماده سفید با شکل ظاهری عادی (NAWM) با تکنیک تصویر برداری رزنانس مغناطیسی معمولی دشوار می باشد یعنی مناطق ماده سفید غیر عادی دارلی ظاهر معمولی می باشند . این پارادوکس رادیولوژیکی کلینیکی یک چالش برای نورو رادیولوژیست ها ( رادیولوژیست های عصب ) محسوب می گردد . یک تکنیک جدید و بدیع وجود دارد که می تواند نرخ تشخیص بهتر را در پایش MS نسبت به تفسیر انسان ارایه نماید .

محققان با بررسی این موضوع که مشاهده کامپیوتری (CV) بهتر از چشم های انسانی در بعضی حوزه ها نظیر تشخیص چهره ، امنیت ویدیوئی و جستجو ماهواره ای عمل می کند از CV در کشف و پایش پیشرفت فلج چندگانه استفاده کرده اند . موری و همکارانش یک نوع سیستم تحلیل بافت را برای فلج چند گانه توسعه داده اند . آنها مشخصه های تصویر را با استفاده از روش مدولاسیون فرکانس مدولاسیون دامنه چند مقیاسی (MAMFM) استخراج کرده اند . آنها از ماشین بردار پشتیبانی به عنوان دسته کننده استفاده کرده اند . سیتیکویی و همکارانش (16) یک سیستم پشتبانی تصمیم پزشکی خودکار و هوشمند را برای دسته بندی اسکن مغزی توسعه داده اند . انها از تبدیل موجک گسسته (DWT) ، تحلیل مولفه اصلی (PCA) و ماشین بردار پشتیبانی با کوچک ترین مربع (LS-SVM ) بهره برده اند . استفاده از انتروپی موجک (WE) برای تشخیص پاتوبیولوژکی مغزی توسط فیلیپس و همکارانش (17) پیشنهاد شده اند . همچنین آنها هیبریداسیون بهینه سازی مبتنی بر بیوگرافی و بهینه سازی ازدحام ذره (HPB) را برای آموزش دسته کننده پیشنهاد داده اند . خاتون لو و افراسیابی (18) از الگوریتم ژنتیکی (GA) استفاده کرده اند تا خصیصه های موثر را در زخم های فلج چند گانه انتخاب نمایند . شاخص شباهت (SI) دسته کننده ماشین بردار پشتیبانی به صورت تابع شایستگی الگوریتم ژنتیکی تعیین می گردد . درون یابی سه خطی (TLI) ، خوشه بندی میانه های k (KMC) و ماشین بردار پشتیبانی توسط تاچیناگا و همکارانش (19) توسعه یافته اند . دشپانده و همکارانش (20) از یادگیری دیکشنری انطباقی برای کشف زخم های فلج چند گانه استفاده کرده اند . نایاک و همکارانش (21) در زمینه ترکیب DWT ، تحلیل مولفه اصلی احتمالی (PPCA) و جنگل تصادفی (RF) برای دسته بندی تصویر مغزی اقدام کرده اند .