• 09371198576
  • payanyar@gmail.com
ورود ثبت

ورود به حساب کاربری

نام کاربری*
کلمه عبور*
مرا به خاطر بسپار

ایجاد حساب کاربری

لطفا فیلد های ضروری (*) را پر کنید.
نام و نام خانوادگی*
نام کاربری*
کلمه عبور*
تایید کلمه عبور*
ایمیل*
تکرار ایمیل *

ارائه روشی جدید جهت تشخیص اختلالات خفیف شناختی مبتنی بر انتخاب ویژگی‌های داده با استفاده از کدگذاری تُنُک

ارائه روشی جدید جهت تشخیص اختلالات خفیف شناختی مبتنی بر انتخاب ویژگی‌های داده با استفاده از کدگذاری تُنُک
در سال‌های اخیر تشخیص بیماری آلزایمر به ویژه در مراحل اولیه شکل‌گیری آن یعنی اختلالات خفیف شناختی به یکی از چالش‌برانگیزترین مسائل در علم پزشکی تبدیل شده است. تا کنون روش‌های مختلفی بر اساس استفاده از ویژگی‌های استخراج‌شده از نشانگرهای زیستی مختلف مغز انسان برای تشخیص این بیماری به‌کاربرده شده است. هدف ارائه این مقاله، پیشنهاد روشی جدید جهت بهبود دقت تشخیص بیماری اختلالات خفیف شناختی مبتنی بر استفاده از کدگذاری تُنُک در انتخاب ویژگی‌های مفید از میان ویژگی‌های استخراج‌شده از نشانگرهای زیستی مغز انسان است. نتایج به دست آمده نشان می‌دهد که دقت تشخیص با استفاده از روش پیشنهادی نسبت به روش‌های دیگر بهبود چشمگیری پیدا خواهد کرد.
کد کیو آر:  ارائه روشی جدید جهت تشخیص اختلالات خفیف شناختی مبتنی بر انتخاب ویژگی‌های داده با استفاده از کدگذاری تُنُک

کد QR محصول

ارائه روشی جدید جهت تشخیص اختلالات خفیف شناختی مبتنی بر انتخاب ویژگی‌های داده با استفاده از کدگذاری تُنُکارائه روشی جدید جهت تشخیص اختلالات خفیف شناختی مبتنی بر انتخاب ویژگی‌های داده با استفاده از کدگذاری تُنُک
قیمت قیمت : 2500 تومان
366 بازدید
نوع فایل : docx
حجم فایل: 0.25 مگابایت

در حال حاضر بیماری آلزایمر[1] یکی از شایع‌ترین دلایل زوال عقل در افراد سالخورده است. تحقیقات به عمل آمده نشان می هد که تعداد افراد مبتلا به این بیماری تا 20 سال آینده دو برابر تعداد فعلی و در سال 2050 از هر 85 نفر یک نفر به این بیماری مبتلا خواهد بود (Brookmeyer, Johnson, Ziegler, Arrighi, 2007). احتمال ابتلا به بیماری آلزایمر در افراد مبتلا به اختلالات خفیف شناختی بسیار بالاست، بنابراین تشخیص ابتلا به اختلالات خفیف شناختی به منظور پیش‌گیری از ابتلا به بیماری آلزایمر بسیار بااهمیت خواهد بود (Thompson, Apostolova, 2007). در حال حاضر از نشانگرهای زیستی مختلفی مانند 1- مقدار نرون‌های از دست رفته نواحی مختلف مغز و اتصالات تخریب‌شده‌ی[2]بین آن‌ها که از تصاویر ساختاری[3]MRI مغز قابل‌استخراج است (de Leon et al,2007) 2- هیپومتابولیسم اندازه‌گیری شده به وسیله تصویربرداری کارکردی[4] (Morris et al, 2001) و 3- تعیین مقدار پروتئین مغز به وسیله مایع مغزی نخاعی[5]   (Bouwman et al, 2009) و (Mattsson et al, 2009) برای تشخیص اختلالات به وجود آمده در مغز به دلیل ابتلا به بیماری‌های شناختی مانند آلزایمر و اختلالات خفیف شناختی[6] استفاده می‌شود. در اغلب کارهای انجام‌شده تنها از اطلاعات حاصل از یک نشانگر زیستی برای طبقه‌بندی افراد مبتلا به بیماری‌های شناختی و افراد سالم استفاده‌شده است (Notestine et al, 2009). این در حالی است که تحقیقات اخیر نشان می‌دهد ترکیب ویژگی‌های حاصل از نشانگرهای زیستی مختلف، قدرت تشخیص بیماری‌های شناختی را به مراتب افزایش می‌دهد. در واقع نشانگرهای زیستی متفاوت، اطلاعاتی تولید می‌کنند که مکمل یکدیگرند (de Leon et al, 2007) و (Apostolova et al, 2010). اخیراً به منظور ترکیب اطلاعات حاصل از نشانگرهای زیستی مختلف، از ابزارهای  یادگیری ماشین استفاده‌شده است (Zhang, Wang, Zhou, Yuan, Shen, 2011) و (Wee et al, 2012). این ابزارها در تشخیص بیماری‌های شناختی با استفاده از اطلاعات حاصل از نشانگرهای زیستی مختلف بسیار موثر هستند. هدف از این مقاله، ارائه روشی جدید مبتنی بر استفاده از کدگذاری تُنُک[7] به منظور حذف ویژگی‌های غیرمفید جهت بالا بردن دقت طبقه‌بندی باهدف تشخیص بیماری اختلالات خفیف شناختی در افراد است. در این مقاله از داده‌هایی استفاده می‌شود که نشان‌دهنده ویژگی‌های استخراج‌شده از سه نشانگر زیستی MRI، PET و CSF، مربوط به افراد مبتلا به اختلالات خفیف شناختی و افراد سالم است. در ادامه مقاله ابتدا در بخش دوم به بررسی کارهای انجام‌شده خواهیم پرداخت، در بخش سوم اندیشه جدید، ابزارهای مورد استفاده در آن، داده­های مورد استفاده و نتایج حاصل را مورد بررسی و تحلیل قرار داده و نهایتاً در بخش چهارم نتیجه‌گیری و خط و مشی کارهای آتی بیان خواهد شد.

[1] Alzheimers disease

[2] Atrophy

[3] Brain structural imaging

[4] Brain functional imaging

[5] Cerebrospinal Fluid (CSF)

[6] Mild Cognitive Impairment (MCI)

[7] Sparse coding