RT - Journal Article T1 - Early Detection of MS in fMRI Images of the Brain Using Deep Learning Techniques JF - yums-armaghan YR - 2021 JO - yums-armaghan VO - 26 IS - 6 UR - http://armaghanj.yums.ac.ir/article-1-3151-fa.html SP - 941 EP - 951 K1 - Deep learning K1 - fMRI images K1 - MS disease AB - زمینه و هدف: ام اس نوعی بیماری سیستم عصبی مرکزی است که در آن بدن، حمله دفاعی بر روی بافت‌های خود انجام می‌دهد. این بیماری می‌تواند بر روی مغز و نخاع تأثیر بگذارد و باعث ایجاد طیف گسترده‌ای از علایم بالقوه از جمله مشکلات تعادلی، حرکتی و بینایی شود. تصاویر ام آرآی و اف ام آرآی یک ابزار بسیار مهم در تشخیص و درمان بیماری ام اس است. هدف از این مطالعه تعیین و تشخیص تشخیص زودهنگام بیماری ام اس در تصاویر اف ام آرآی مغز با استفاده از تکنیک‌های یادگیری عمیق بود. روش بررسی: این یک مطالعه تجربی می‌باشد که در سال 1399 در دانشگاه آزاد کازرون انجام شد، 1000 تصویر ام ارای از مجموعه‌داده‌های BRATS بودند و در دو گروه یادگیری و تست به نسبت 70 به 30 درصد وارد مطالعه شدند. در این مطالعه یک شبکه یادگیری عمیق چهار لایه مبتنی بر شبکه عصبی کانولوشن در محیط متلب شبیه‌سازی ‌شده است. در ساختار یادگیری عمیق که خودش توانایی استخراج ویژگی‌ها را دارا بود، از یک روش دیگر برای این کار استفاده کردیم؛ زیرا یادگیری عمیق با این که توانایی استخراج ویژگی‌ها را دارد، اما این کار را تصادفی انجام می‌داد. برای این که مراحل قبلی آن به ‌صورت قطعی باشد، از یک الگوریتم دیگر در داخل حلقه‌های تکرار و داخل لایه پیچش استفاده کردیم تا در زمان آموزش، اولاً کاهش ابعاد ویژگی دهد، دوماً انتخاب بهترین ویژگی‌ها و سوم استخراج ویژگی‌ها را به‌صورت قطعی انجام دهد. یافته‌ها: نمایش گرافیکی منحنی ROC نشان داد که میزان حساسیت یا پیش‌بینی درست در مقابل پیش‌بینی نادرست در این سیستم طبقه‌بندی دودویی که آستانه تفکیک در آن متغیر است، مقدار قابل‌توجهی داشت. سطح زیر این منحنی 8592/0 هم‌چنین دقت روش پیشنهادی 6891/98 درصد و میزان حساسیت 8766/94 درصد به دست آمد. نتیجه‌گیری: با توجه ‌به فراوانی بیماری ام‌اس، تشخیص زود هنگام این بیماری و ارایه یک روش هوشمند بر اساس پردازش تصاویرfMRI برای درمان ضروری است. این روش هوشمند سعی بر این دارد که بتواند در خصوص تشخیص و درمان با دقت بیشتر، شناسایی بهتر ویژگی‌ها و الگوهای تأثیرگذار به بیماری نسبت به روش‌های پیشین به‌عنوان دستیار پزشکان کمک شایانی کند. در نهایت نتایج به‌دست‌آمده از این پژوهش نشان داد که کارایی روش پیشنهادی در سطح عالی ارزیابی شد و بهینه بودن آن را تا حد ممکن نمایش داد. بعلاوه نتایج به‌دست‌آمده، سریع بودن عملیات آموزش و آزمون داده‌ها در حجم بالا و همگرایی سریع الگوریتم را نشان داد. همچنین توسعه‌پذیری و تعمیم‌پذیری آن ساده‌تر است. LA eng UL http://armaghanj.yums.ac.ir/article-1-3151-fa.html M3 10.52547/armaghanj.26.6.941 ER -