معرفی نویسنده

کریم رحیمیان

دانشجوی ارشد رشته بیوانفورماتیک( دانشگاه تربیت مدرس)

بهبود از هم گسیختگی سری‌های زمانی بین بافت مغز با استفاده از شبکه‌های عمیق مستقل از زمان.

بهبود از هم گسیختگی سری‌های زمانی بین بافت مغز با استفاده از شبکه‌های عمیق مستقل از زمان.

تصویرسازی تشدید مغناطیسی کارکردی یا همان FMRI  یک روش معروف عکس برداری برای شناسایی عملکرد مغز است، اما مقدار زیاد نویز از منابع مختلف بروی عکس‌ها، اعتبار و تکرارپذیری تصاویر FMRI را کاهش می‌دهد. همچنین این معضل  کاربردهای پزشکی یا بالینی آن را محدود می­‌کند. تلا‌ش‌های وسیعی درجهت بهبود کیفیت تصاویر FMRI  انجام شده است، اما در دو ده گذشته هیچ گونه توافق کلی در مورد اینکه کدام تکنیک تاثیرگذارتر است، صورت نگرفته است.

 در این تحقیق از یک شبکه عصبی عمیق به نام DeNN برای از بین بردن نویز داده‌های FMRI استفاده شده است. این شبکه عصبی 1) بدون نیاز به رکوردهای داده خارجی قابل استفاده است 2) از نظر زمانی و فضایی نسبت به تغییرات نویز در مناطق مختلف مغز و نقاط زمانی متفاوت، سازش‌پذیر است. 3) به صورت اتوماتیک خروجی را تولید می‌کند و نیازی به مداخله کاربر ندارد 4) قابل اعمال به هر موضوع است. 5) نسبت به تکرار در زمان غیر حساس است.

در مقایسه با تعدادی از روش­‌های رگرسیون از بین برنده نویز در پایگاه ADNI تنها روش DeNN اتصالاتی نزدیک به 0 در مورد مناطق غیر مرتبط عملکردی داشت و توانست که ارتباطات بی­طرفانه بین posterior cingulate cortex و مناطق چندگانه مغز را تشخیص دهد. کل نقشه­‌های اتصالات عملکردی مغز با روش DeNN تقریبا 3 برابر نقشه‌های اتصالات مغزی عملکردی با داده‌های خام است. به علاوه، همگنی بهبود یافته قدرت  روش‌های آماری FMRI را در شناسایی تفاوت‌های ذاتی بین افراد سالم و افراد دارای آلزایمر نه تنها تضیف نمی‌کند بلکه قوی‌تر نیز می‌نماید.

مرجع:

https://www.sciencedirect.com/science/article/pii/S1053811920308260

 

کلید واژه ها: #تصاویر FMRI #پردازش تصویر #حذف نویز #شبکه های عصبی عمیق #شبکه های عصبی

telegram