عنوان پایان‌نامه
تحلیل الگوی مکانی فعالیت مغز در تصویربرداری کارکردی تشدیدمغناطیسی با استفاده از روشهای دسته بندی الگو
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1962;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 50195;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1962
- تاریخ دفاع
- ۰۳ مهر ۱۳۹۰
- دانشجو
- شقایق اسحاقیان
- استاد راهنما
- حمید سلطانیان زاده, غلامعلی حسین زاده دهکردی
- چکیده
- یک رویکرد جدید و موثر برای نگاشت الگوی فعالیت نرون¬های مغزی به وضعیت ذهنی فرد در داده-های تصویربرداری کارکردی تشدید مغناطیسی (fMRI)، به‌کارگیری تکنیک¬های بازشناخت الگو بر روی الگوهای مکانی توزیع شده فعالیت مغز است. در این پروژه با استخراج دو دسته توصیف¬گر الگوی مکانی فعالیت در نواحی موردنظر و اعمال هر یک از این دو دسته ویژگی به روش¬های انتخاب ویژگی و دسته¬بندی الگو، به مطالعه و متمایزسازی گروه تحریک‌ها و یا گروه افراد شرکت کننده می¬پردازیم. بردار ویژگی اول پیشنهادی، شامل پنج ویژگی مکانی بر پایه ممان¬های سه¬بعدی نامتغیر و دو ویژگی بر پایه دامنه، یعنی متوسط فعالیت و درصد واکسل¬های فعال ناحیه است. بردار ویژگی¬های دوم نیز بر پایه کر¬ه¬های هم¬مرکز بدست می¬آیند که برداری نرمالیزه را از توصیف فعالیت ناحیه در جهت شعاعی تشکیل می¬دهند. رویکرد لفاف (Wrapper) با انتخاب ترتیبی شناور جلو رونده برای انتخاب زیرمجموعه ویژگی بهینه جهت ارتقای عملکرد دسته¬بندی به کار گرفته می¬شود که هم‌راستا با الگوریتم¬های دسته¬بندی SVM، فعالیت مغزی را در تصاویر کارکردی طبقه¬بندی می¬کند. دو دسته داده در این پروژه مطالعه شده¬اند تا کارکرد روش¬ پیشنهادی را بر جداسازی تحریک¬های متفاوت در یک گروه سوژه و همچنین بر جداسازی گروه سوژه¬های مختلف حین دریافت یک تحریک مشترک بررسی شود. در دسته داده اول، فعالیت و نقش کورتکس ناحیه بینایی نخستین مغز حین حالات مختلف فعالیت شکل¬گیری و ارزیابی تصور ذهنی-بصری مطالعه شده است و با اعمال روش¬های دسته¬بندی الگوی پیشنهادی، موفق به جداسازی فعالیت¬های متفاوت تصور در این ناحیه با صحت مطلوب (بالای 70%) می¬شویم. داده های دوم به بررسی پدیده القای ولع مصرف مواد با نشانه در اعتیاد به هروئین تزریقی اختصاص دارد. در این مطالعه با اعمال روش-های پیشنهادی بر نواحی درگیر در اعتیاد توانسته¬ایم به جداسازی فعالیت ذهنی دو گروه معتاد و گروه کنترلی سالم با نرخ صحت دسته¬بندی بسیار بالا (100%) در بسیاری از این نواحی برسیم.
- Abstract
- Recent studies have demonstrated that spatial patterns of functional Magnetic Resonance Imaging (fMRI) activity in the brain may be used to classify different groups or different mental states. In the current research, we have proposed two feature vectors which can effectively characterize the spatial patterns of activity in the brain regions of interest (ROIs). The former consists of five three-dimensional invariant spatial moment descriptors (3-DMIs) and two magnitude-based descriptors including mean and the percentage of activation in the ROIs. The latter is a normalized k-dimensional vector based on concentric spheres, characterizing the spatial patterns of the ROIs in the radial direction. Support Vector Machines (SVMs) along with sequential floating forward feature selection techniques are applied to the extracted descriptors of each ROI across the subjects, to discriminate the studied conditions. Two experimental fMRI data sets have been analyzed by applying the proposed approach. In the first fMRI experiment, subjects performed visual imagery task, including imagery formation and imagery evaluation. By applying the proposed method, the patterns of imagery formation and imagery evaluation tasks in the primary visual area (V1), are demonstrated to be separable with classification accuracy of higher than 70%. This shows the discrimination power of the proposed method in classification of different mental states. Our methods are then applied to the second fMRI data with the aim of discriminating heroin IV (Intravenous) abusers from control subjects in a cue-induced craving task. Our results demonstrate that 3-D texture of activation maps provide a good discrimination (with high classification accuracy rate of even 100% in some ROIs) between the addicted and the control groups. Keywords: functional magnetic resonance imaging (fMRI), group analysis, spatial pattern analysis, ROI characterization, three-dimensional (3-D) invariant moment descriptors, concentric spherical-based region descriptors, wrapper feature subset selection.
