عنوان پایان‌نامه
ارزیابی ارتباطات ساختاری کل مغز در صرع لوب تمپورال با استفاده از تصویر برداری تشدید مغناطیسی تانسور انتشار
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3140;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79998;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3140;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79998
- تاریخ دفاع
- ۲۸ شهریور ۱۳۹۵
- دانشجو
- نیره قاضی
- استاد راهنما
- حمید سلطانیان زاده
- چکیده
- صرع لوب تمپورال TLE (Temporal Lobe Epilepsy) شایع‌ترین نوع صرع کانونی است. اطلاعات به دست آمده از این بیماری نشان از سندرومی دارد که مناطق گسترده‌ای از مغز را تحت تأثیر قرار می‌دهد. تصاویر تانسور انتشاری DTI (Diffusion Tensor Images)، تغییر فیبرهای ماده سفید را در بخش‌های زیادی از مغز بیماران به ویژه در لوب تمپورال نشان می‌دهند. در این پژوهش قصد داریم با مطالعه ارتباطات ساختاریِ ساختارهای لوب تمپورال، به تشخیص بهتر این بیماری کمک کنیم. در این راستا با به‌کارگیری الگوریتم ردیابی احتمالاتی، این ارتباطات را برای 20 بیمار TLE و 22 فرد سالم استخراج می‌کنیم. سپس به کمک ابزار تحلیل بر مبنای نظریه گراف، ویژگی‌های شبکه ساختاری حاصل را محاسبه می‌نماییم و میان دو گروه بیماران و افراد سالم مورد مقایسه قرار می‌دهیم. نتایج نشان‌دهنده کاهش بازده سراسری و ضریب تفکیک‌پذیری و افزایش مرکزیت میانی و طول مسیر مشخصه در شبکه ساختاری بیماران نسبت به افراد سالم است. طبقه‌بندی انجام شده بر اساس ویژگی‌های سراسری گراف، نشان‌گر قابلیت تفکیک دو گروه TLE و سالم با دقت 67 تا 91% است. نتایج طبقه‌بندی بیماران به دو گروه بیماران با TLE راست و TLE چپ، براساس ویژگی عدم تقارنِ ارتباطات ساختاری نیز نشان‌دهنده تفکیک این دو گروه با دقتی برابر 95% است. نتایج مطالعه حاضر نشان می‌دهد مطالعه ارتباطات ساختاری لوب تمپورال می‌تواند در تشخیص و شناخت بهتر TLE پیش از جراحی و به ویژه در بیمارانی که نتایج هماهنگی در ارزیابی‌های اولیه ندارند، مؤثر باشد.
- Abstract
- Temporal Lobe Epilepsy (TLE) is the most common focal epilepsy syndrome. The growing knowledge of the brain changes related to TLE has led to the notion that TLE is a disorder that affects large regions of the brain. Diffusion Tensor Imaging (DTI) images showed white matter fiber tract changes in large regions within the brain especially in temporal lobe. Although many studies have focused on changes of diffusion properties in brain structures and individual fibers, evaluating the structural connectivities seems to be helpful in studying TLE. The purpose of this study was to examine the structural connectivity of temporal lobe structures in a cohort of TLE patients in comparison with healthy controls. To this end, first, we applied probabilistic tractography to extract structural connectivity of temporal lobe structures for 20 TLE patients and 24 healthy control subjects. Then graph theoretical analysis was used to calculate and compare graph metrics between TLE and control groups. Results showed decrease in global efficiency and clustering coefficient and increase in betweenness centrality and characteristic path length in structural network of TLE patients. Machine learning of graph theoretical measures are then used to classify TLE patients and control subjects. Using leave-one-out cross validation (LOOCV), we show that graph theory measures used in logistic regression classifiers achieve an accuracy in the range of 67% to 91% for the classification of the 42 subjects into the TLE and control groups. With use of the LOOCV strategy, the support vector machine (SVM) classifier achieved accuracy of 95% for right TLE versus left TLE, using structural connection differences as features. The results suggest that studying the connectivity of temporal lobe structures may help TLE detection and improve diagnostic assessment before surgery, especially in patients without concordant findings from early examinations. Keywords: Temporal lobe epilepsy, Diffusion Tensor Imaging, Structural connectivity, Probabilistic tractography, Graph theoretical analysis
