تشخیص بیماری آلزایمر از روی تصاویر MRI مغز انسان توسط الگوریتم¬های مبتنی بر یادگیری ماشین

چکیده:

بیماری آلزایمر یک نوع بیماری پیش­رونده عصبی است که با کاهش توانایی فرد در یادآوری و تفکر، همراه است. علائم این بیماری شامل افت تدریجی در حافظه، تغییرات در شخصیت، مشکلات در تفکر و تصمیم‌گیری و کاهش توانایی در انجام فعالیت‌های روزانه است. با پیشرفت بیماری، فرد قادر به مدیریت زندگی خود نمی‌باشد. تصویربرداری از مغز با استفاده ازMRI  امکان دریافت تصاویر با دقت بالا از ساختارهای مغزی را فراهم می‌کند. این تصاویر اطلاعات گوناگونی از بافت‌ها و ساختارهای مغزی، از جمله مایع مغزی نخاعی (CSF)، ماده سفید (WM) و ماده خاکستری (GM) را ارائه می­دهد. تغییرات در این ساختارها ممکن است به‌عنوان نشانه‌های اختلالات مغزی، از جمله آلزایمر، شناخته شوند. در دهه‌های اخیر، با توسعه تکنولوژی و پیشرفت‌های چشمگیر در حوزه‌ی یادگیری ماشین، استفاده از الگوریتم‌ها و مدل‌های یادگیری ماشین برای تشخیص بیماری‌ها افزایش‌یافته است. هدف اصلی این تحقیق، ارائه یک رویکرد جدید برای طبقه‌بندی بیماری آلزایمر با استفاده از الگوریتم­های یادگیری ماشین است. به‌عبارت‌ دیگر، تحقیق به دنبال توسعه یک ابزار تشخیصی است که بتواند با استفاده از تصاویر مغزی، آلزایمر را با دقت و صحت بالا تشخیص دهد. در این پژوهش با استفاده از پایگاه داده Kaggle، سه رویکرد مختلف برای طبقه‌بندی بیماری آلزایمر پیشنهاد شده است. رویکرد­های اول و دوم مبتنی بر کاهش بعد است. در رویکرد اول، پس از فراخوانی تصاویر MRI، با استفاده از الگوریتم تبدیل گابور در زاویه­های 10، 15، 25 و 35 درجه، ویژگی­های مبتنی بر بافت استخراج شده است. سپس، توسط الگوریتم تحلیل متمایز حساس مکانی (LSDA)، کاهش بعد صورت گرفته است. در رویکرد دوم، پس از فراخوانی تصاویر MRI، با استفاده از الگوریتم­های خوشه­بندی C میانگین (FCM) و بهینه­سازی ازدحام ذرات (PSO)، تصاویر MRI به سه کلاس WM، GM و CSF بخش­بندی شده است. ادامه­ی مراحل همانند رویکرد اول می­باشد. در رویکرد سوم، پس از بخش­بندی تصاویر MRI به سه کلاس WM، GM و CSF، ویژگی­های بافت توسط الگوریتم­های الگوی باینری محلی (LBP) و هیستوگرام گرادیان جهت­دار (HOG) استخراج شده است. سپس، متوازن­سازی داده­ها با استفاده از الگوریتم نمونه­برداری بیش از حد اقلیت مصنوعی (SMOTE) صورت گرفته است. سرانجام در هر سه رویکرد، برای طبقه‌بندی در دو و چهار کلاس، از طبقه‌بندهای KNN، DT، LDA، NB و SVM با هسته­های خطی، چندجمله‌ای و تابع پایه شعاعی استفاده ‌شده است. نتایج به‌دست ‌آمده از طبقه‌بندی نشان می‌دهد که در رویکردهای موجود، برای رویکرد اول در حالت دو و چهار کلاسه به ترتیب صحت 5/92% و 19/91% به دست آمده است. در رویکرد دوم برای طبقه­بندی دو کلاسه صحت 18/92% و برای چهار کلاسه صحت 51/93% کسب شده است. رویکرد سوم، با صحت 93/99% در دو کلاس و صحت 98/99% در چهار کلاس نسبت به سایر رویکرد‌ها، برتری دارد.