استخراج و طبقه بندی ویژگیهای مکانی - زمانی بیماری آلزایمر با استفاده از یادگیری عمیق 3D-CNN برای داده های fMRI

هدف: طی سه دهه گذشته ، تصویربرداری رزونانس مغناطیسی عملکردی (fMRI) اطلاعات بسیار زیادی در مورد پویایی مغز ، نقشه برداری عملکردی مغز و شبکه های مغزی حالت استراحت فراهم کرده است. علیرغم ارائه چنین اطلاعات عملکردی غنی ، fMRI هنوز به دلیل عدم دقت در تجزیه و تحلیل داده های بسیار پر سر و صدا ، یک روش بالینی معمولاً مورد استفاده نیست. با این حال ، پیشرفت های مداوم در تکنیک های یادگیری عمیق ، پیشرفت های بالقوه و عملکرد بهتر در حوزه های مختلف را نشان می دهد.   هدف اصلی ما استفاده از پتانسیل های تکنیک های یادگیری عمیق برای داده های fMRI برای استفاده بالینی است.

رویکرد: ما یک چنین هم افزایی fMRI و یادگیری عمیق را ارائه می دهیم ، جایی که ما یک روش ساده و در عین حال دقیق را با استفاده از شبکه های عصبی کانولوشن 3D اصلاح شده (CNN) به داده های fMRI حالت استراحت برای استخراج ویژگی و طبقه بندی بیماری آلزایمر (AD) اعمال می کنیم. CNN به گونه ای طراحی شده است که با استفاده از اطلاعات fMRI با پیش پردازش بسیار کمتر ، اطلاعات مکانی و مکانی را حفظ می کند.

نتایج: پس از آموزش ، شبکه با موفقیت قادر به طبقه بندی بین داده های fMRI از افراد سالم و افراد AD ، از جمله افراد در مرحله اختلال شناختی خفیف (MCI) است. ما همچنین ویژگی های مکانی - مکانی مفید برای طبقه بندی را استخراج کرده ایم.

نتیجه گیری: این CNN می تواند مراحل اولیه و بعدی MCI و AD را تشخیص داده و از آنها تمایز ایجاد کند ، بنابراین ممکن است در تشخیص زود هنگام و تشخیص بهتر بیماری آلزایمر کاربرد بالینی بالقوه ای داشته باشد.