تصویربرداری رزونانس مغناطیسی

1. معرفی

تصویربرداری رزونانس مغناطیسی (MRI) یکی از پیشرفته ترین تکنیک های تصویربرداری عصبی غیرتهاجمی است که در استفاده های رایج استفاده می شود. در سال 1990 ، اوگاوا و همکاران 1 دریافتند که می توان از MRI ​​برای دستیابی به اطلاعات عملکردی در مورد مغز استفاده کرد. این حالت معمولاً به عنوان MRI عملکردی (fMRI) شناخته می شود. fMRI اثرات غیرمستقیم فعالیتهای عصبی در منطقه مغز را به دلیل تغییر در حساسیت مغناطیسی بین خون اکسیژن دار و اکسیژن زداده اندازه گیری می کند.   به این نوع سیگنال ها سیگنال وابسته به سطح اکسیژن خون (BOLD) گفته می شود. پارا مغناطیسی ، deoxyhemoglobin باعث ناهمگنی موضعی کمی در میدان مغناطیسی موضعی می شود ، و در نتیجه باعث تخریب چرخش (یون های هیدروژن در مولکول های آب) سریعتر در مقایسه با اکسی هموگلوبین دیامغناطیسی می شود. این تغییر در تخلیه چرخش باعث ایجاد تغییر جزئی در زمان آرام سازی محلی T2 * می شود ، اما اندازه گیری آن با تجزیه و تحلیل آماری سیگنال MRI کافی است. تغییرات سیگنال BOLD هم در fMRI وظیفه ای و هم در fMRI بقیه مشاهده می شود

علیرغم ارائه چنین اطلاعات عملکردی غنی ، fMRI به دلیل دو مشکل عمده هنوز یک روش بالینی رایج برای تشخیص 4،5 نیست. اول ، داده های fMRI بسیار حساس به نویز هستند .6 تغییر مفید سیگنال BOLD فقط 2٪ تا 5٪ شدت سیگنال مطلق است. با استفاده از تجزیه و تحلیل آماری پیچیده ، اطلاعات مفیدی از داده های خام fMRI استخراج می شود. حتی مقدار کمی از سر و صدا یا مصنوع می تواند نتیجه آنالیز را به میزان قابل توجهی تغییر دهد. این مسئله هنگام برخورد با تجزیه و تحلیل بالینی به یک موضوع اصلی تبدیل می شود. یک مصنوعات کوچک می تواند منجر به تفسیر غلط شود و بر روی تشخیص تأثیر بگذارد. دوم ، ساختار داده های fMRI بسیار پیچیده است. یک اشعه ایکس سنتی یا یک MRI تشریحی به راحتی توسط متخصصان پزشکی قابل مشاهده و ارزیابی است. تجسم fMRI به طور کامل و بدون پردازش کارآمد داده های آماری تحلیل شده دشوار است.

تکنیک های یادگیری ماشین مانند الگوریتم های یادگیری عمیق اخیراً برای استخراج اطلاعات مربوط به طبقه بندی داده ها در زمینه های مختلف ایجاد شده است. به دلیل عملکرد عالی در پردازش تصویر و برنامه های دید رایانه ای ، پیش بینی می کنیم پتانسیل زیادی برای استفاده از تکنیک های یادگیری عمیق برای برنامه های دیگر داشته باشیم. در اینجا ، ما سعی در ایجاد هم افزایی بین fMRI و یادگیری عمیق داریم و این روش را به عنوان گامی به سوی کاربرد بالینی fMRI بررسی می کنیم. با این حال ، برخی چالش ها در استفاده از الگوریتم های یادگیری عمیق به طور مستقیم بر روی داده های fMRI وجود دارد. اکثر الگوریتم های یادگیری عمیق ، از جمله شبکه های عصبی شناخته شده کانولوشن (CNN) ، برای تصاویر طراحی شده اند. از طرف دیگر داده های fMRI چهار بعدی هستند ، دارای سه بعد مکانی و یک بعد زمانی. هر دو شبکه و داده ها باید مقداری پیش پردازش شوند تا آنها با یکدیگر سازگار شوند. برخی از محققان سعی کرده اند از CNN در داده های تصویری fMRI اصلاح شده استفاده کنند ، اما محدودیت هایی در این راه حل ها مشاهده شده است .7 بعلاوه ، یک معامله بین پیچیدگی پیش پردازش داده های fMRI و پیچیدگی شبکه وجود دارد. علاوه بر این ، در مورد fMRI ، ما امتیاز تعداد زیادی از افراد آموزش را نداریم. یک مطالعه معمولی fMRI ممکن است فقط ده ها نفر داشته باشد. با داشتن بانک اطلاعات منبع باز ، مانند ابتکار تصویربرداری عصبی از بیماری آلزایمر (ADNI) 8 و OpenfMRI ، 9 نفر به داده های اضافی fMRI دسترسی دارند ، اما این در بسیاری از موارد هنوز کافی نیست.

در این مطالعه ، ما یک CNN حجمی 3D را طراحی و آموزش دادیم تا طبقه بندی چند کلاسه را انجام دهد. CNN قادر است ویژگیهای مکانی - زمانی را از بخش مشخصی از داده های BOLD fMRI استخراج کرده و سپس از آنها برای طبقه بندی داده ها به دو بیماری آلزایمر (AD) ، اختلال شناختی خفیف (MCI) یا هر دو اختلال شناختی اولیه (EMCI) و اختلال شناختی دیررس (LMCI) و کنترل های سالم (CN). این یک الحاق اصلاح شده قبلی است که در آن ما اعتبار طراحی شبکه را با استفاده از طبقه بندی باینری آزمایش کردیم .10 دو دلیل اصلی کار با AD را تشویق می کند. اول ، AD شایعترین اختلال عصبی است که در انسان یافت می شود. پس از 60 سالگی ، احتمال داشتن AD تقریباً هر پنج سال دو برابر می شود .11 ثانیا ، مقدار زیادی داده از پایگاه داده ADNI در دسترس است.

در حال حاضر ، هیچ درمانی برای AD وجود ندارد. پس از آسیب بافت مغزی ، نمی توان با دارو برگشت داد. با این حال ، اگر در مرحله اولیه تشخیص داده شود ، می توان با استفاده از دارو میزان پیشرفت AD را کاهش و کنترل کرد. طبقه بندی پیشنهادی می تواند MCI را که با خطر بالای پیشرفت به AD همراه است ، شناسایی کند. تشخیص MCI می تواند به عنوان یک برنامه کاربردی بالقوه نسبت به یک ابزار تشخیص زودتر برای AD باشد. هدف از این مطالعه برداشتن گامی در جهت توسعه fMRI به عنوان یک تکنیک بالینی برای تشخیص زودرس AD است.