تشخیص اختلالات طیف اوتیسم از روی تصاویر fMRI با استفاده از تکنیک های یادگیری عمیق

Abstract

تشخیص اختلالات روانی ناهمگن مانند اختلال طیف اوتیسم (ASD) به ویژه در کودکان بسیار دشوار است. فرآیند تشخیص روانپزشکی فعلی صرفاً بر اساس مشاهده علائم رفتاری (DSM-5/ICD-10) است. این روش های کیفی می توانند اشتباهاتی در تشخیص را در پی داشته باشند. برای داشتن تشخیص کمی بهتر و دقیق تر، ما به یافتن روش های پیشرفته و مقیاس پذیر در یادگیری ماشین نیاز داریم که به ما اجازه می دهد با دقت بیشتری افراد سالم را از افراد با اختلالات روانی تفکیک کنیم. برای این کار در این پایان نامه از داده های fMRI در حالت استراحت پایگاه داده ABIDE1 که شامل 17 سایت تصویربرداری است استفاده شد. اغلب کارهای پیشین که روی این پایگاه داده انجام شده اند روی یک یا تعداد محدودی از سایت ها تمرکز کرده اند. ولی در این پژوهش از همه سایت ها استفاده شده است تا میزان تعمیم پذیری کار بالاتر برود. بعد از انجام پیش پردازش هایی از قبیل اصلاح زمان برش، اصلاح حرکتی، حذف سیگنال نویزی مطابق روش CPAC، با استفاده از اطلس های مختلف سری های زمانی میانگین از مناطق مختلف مغزی استخراج می شود و ماتریس همبستگی برای هر داده را تشکیل می دهیم. سپس با روش انتخاب ویژگی مربع کای مهم ترین ویژگی ها را شناسایی می شوند و فقط از این ویژگی ها برای طبقه بندی استفاده می شود. از یک معماری نوین شبکه های عصبی کانولوشنی با دو لایه کانولوشنی دو بعدی برای طبقه بندی داده ها استفاده شد. برای ارزیابی مدل سه مجموعه آزمایش بر اساس مجموعه داده ها و اطلس های مختلف مورد استفاده طراحی شد. با استفاده از این روش بالاترین مقدار صحت به دست آمده در آزمایش های انجام شده 73/53 درصد و حساسیت 89/31 درصد و ویژگی 89/6 به دست آمد که نسبت به کارهای گذشته برای طبقه بندی افراد اوتیسمی و افراد سالم بالاتر بود.