عنوان پایان‌نامه
پیاده سازی ؛ ارزیابی و مقایسه الگوریتم و سایر الگوریتمهای توسعه یافته در زمینه آشکارسازی ارتباطات مغزی بین دادگان حالت استراحت بیماران دارای اختلال کاهش توجه وافراد سالم
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2334;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 59832
- تاریخ دفاع
- ۰۵ مهر ۱۳۹۰
- دانشجو
- امیراحسان لشکری
- استاد راهنما
- حمید سلطانیان زاده, غلامعلی حسین زاده دهکردی
- چکیده
- ارتباط کارکردی به صورت همبستگی زمانی بین وقایع نروفیزیولوژیکی مکانی یا توصیف رابطه ی بین الگو های فعالیت عصبی نواحی مغزی مجزا تعریف می گردد. بر خلاف ارتباط آناتومیکی که ارتباطات فیزیکی بین دو محل در مغز را تعبیر می کند ، ارتباط کارکردی تعاملات نواحی در مغز را در یک مقیاس ماکرو بررسی می نماید. در هنگام ثبت سیگنال حالت استراحت در تصویربرداری کارکردی تشدید مغناطیسی سوژه درون اسکنر fMRI قرار گرفته و بی آنکه روی او تحریکی صورت گیرد و یا خواسته شود کاری انجام داده و یا در کاری مشارکت نماید تصاویر حجمی در بازه‌های زمانی مساوی اخذ شده و بدین ترتیب برای هر واکسل بسته به تعداد ثبت ها یک یا چند سری‌زمانی به وجود خواهد آمد. پس از ثبت سیگنال حالت استراحت جهت آشکارسازی ارتباطات کارکردی به تحلیل این داده‌های کارکردی پرداخته می شود. در تحلیل و آشکار سازی ارتباطات کارکردی حالت استراحت از دادگان fMRI دو دسته روش کلی الگو محور و داده محور وجود دارد. روش های الگو محور اکثرا مبتنی بر دانش قبلی بوده و شامل روش های آنالیز همبستگی متقابل (Cross-correlation)، تحلیل همبستگی عملکردی (Seed Correlation Analysis)، آنالیز های همدوستی) (Coherence،و... می باشند. دومین دسته روش های داده محور می باشند. این روش ها به منظور غلبه بر محدودیت های روش های الگو محور بکار می رودبه طور کلی دو نوع روش داده محور برای آشکارسازی ارتباطات کارکردی وجود دارد. اولین نوع آن بر اساس روش های تجزیه همانند آنالیز مولفه های اصلی (PCA)، تجزیه ی مقدارتکین ( (SVDو آنالیز مولفه های مستقل (ICA) می باشد. این نوع روش ها سعی در بیان دادگان fMRI به صورت ترکیب خطی از بردار های پایه متعامد ( (PCA/SVDو یا اجزای مستقل آماری (ICA) می نمایند. دومین نوع بر اساس آنالیز خوشه بندی همانند آنالیز خوشه بندی فازی (FCA) ، آنالیز خوشه بندی سلسله مراتبی (HCA) و یا آنالیز خوشه بندی طیفی (SC)می باشند. در این پروژه ضمن پیاده سازی و ارزیابی بعضی از روش های رایج در تحلیل داده های کارکردی همانند آنالیز SVD ،SCA و ICAبه معرفی، اصلاح ، پیاده سازی و ارزیابی الگوریتم آنالیز همبستگی کانونی تعمیم یافته ( gCCA ) روی دادگان حالت استراحت مربوط به افراد سالم و بیماران ADHD پرداخته تا علاوه بر یافتن ارتباطات کارکردی مغز بین افراد نرمال و افراد مبتلا به بیماری ADHDدر حالت استراحت در هر کدام از روش ها به مقایسه ی نتایج آن ها با یکدیگر و نهایتا اخذ تصمیم بهینه از لحاظ دقت،خطا و زمان در مورد بهترین روش آنالیز دادگان این بیماری گردیم. اصلاحات انجام شده در این الگوریتم در مرحله ی تعیین تعداد مولفه های اصلی بر اساس مفهوم نسبت افزایش شیب می باشد که به مقدار خیلی زیادی از بار و زمان محاسباتی می کاهد. بنابراین همانطور که نشان داده خواهد شد این الگوریتم اصلاح شده علاوه بر استخراج نقشه های آماری تکرارپذیرتر در هردو گروه بیماران و افراد سالم نسبت به سایر الگوریتم های رایج، از دقت و صحت بالاتری برخوردار بوده و بار و زمان محاسباتی کمتری دارد. الگوریتم پیشنهادی برای اولین بار و در این پروژه بر روی دادگان این بیماری پیاده سازی می گردد. نکته ای که از لحاظ بالینی ارزشمند است آن که با مطالعه ی تصاویرکارکردی تشدید مغناطیسی و عدم اتکای صرف به تست های روانشناختی و در موارد بسیار بدون نیاز به آن ها می توان بیماری یا عدم بیماری را در افراد مختلف با استفاده از این تکینیک با دقت ،صحت و تکرار پذیری بالاتر تشخیص داد. علاوه بر ایجاد این معیارها در تشخیص افراد بیمار از افراد سالم تحلیل این تصاویر از دو رویکرد دیگر قابل بحث می باشد. اول آنکه تحلیل این تصاویرو شناخت نقاط کارکردی مغز در نمونه های سالم برای پزشکان می تواند مانع از ایجاد آسیب های کارکردی همانند تکلم،تفکر،توجه،بینایی،شنوایی و... در جراحی های آناتومیکال مغز یا تومورهای مغزی شده و به پزشکان تبعات برداشتن تومورهای مغزی و نقش آن ها را در کارکرد مغز یادآوری نماید و دوم آنکه مطالعه ی این تصاویر می تواند علاوه بر پیشنهاد استراتژی های درمانی مناسب و بهینه ازجمله تجویز دارو،شوک و تحریک الکتریکی برای بیماران ADHD میزان تاثیر این عامل درمانی و میزان بهبود بیماران را در اثر تجویز این درمان ها به صورت مطالعه ی کوتاه مدت،میان مدت و بلند مدت آشکارسازد.
- Abstract
- Functional connectivity can be identified as the temporal correlation between spatial neurophysiologic events or a description of patterns of relation between remote brain region’s neural activities. Unlike anatomical connectivity which represents physical connectivity between two brain regions, functional connectivity investigates interactions between brain regions in macro scale. Recording resting state signal in functional imaging means that subject is imaged in equal intervals when he or she is not supposed to do any action or is not exposed to any stimulation. After recording the resting state data is analyzed for detecting the functional connectivities between brain regions. The methods for analysis and detection of resting state functional connectivity can be divided into two categories: model-based and data-driven. Model-based methods rely on a priori knowledge and consist of cross correlation analysis, seed correlation analysis and coherence methods. The second category is data-driven methods. In general, there are two types of model-based methods in detecting functional connectivity. First type relies on decomposition methods like principal component analysis (PCA), singular value decomposition (SVD) and independent components analysis (ICA). These methods project the data on a linear space spanned by orthogonal eigenvectors or estimate them by independent statistical component. The second type is based on clustering analysis methods like fuzzy clustering analysis (FCA), hierarchical clustering analysis (HCA) and spectral clustering (SC). In this study, we implemented and evaluated some common methods such as SVD, SCA and ICA. In addition, we improved, implemented and evaluated the generalized canonical correlation analysis algorithm (gCCA) on resting state data of healthy subjects and subjects with ADHD disease in order to detect brain functional connectivity. We compare the results between normal and diseased subjects and finally, taking an optimum decision regarding precision, accuracy and speed on which is the best method for analysis of this disease data. To decrease time and computational complexity we have used from “gradient increase ratio” concept for finding quantity of principal components. Enhanced algorithm has good precision and accuracy and requires lower computational complexity and run time addition to its capability in extracting more reproducible statistic maps in both normal control and ADHD subjects. The proposed algorithm has been applied on NITRC dataset for the first time. Keywords: Functional Magnetic Resonance Imaging(fMRI), Generalized Canonical Correlation Analysis, Multi variant Analysis, Statistic Map, Independent Component Analysis, Orthogonal Component Analysis, Principle Component Analysis, Seed Correlation Analysis, Spectral Clustering, ADHD.
