تشخیص بیماری آلزایمر برمبنای پردازش سیگنال های مغز

بیماری آلزایمر یک بیماری تخریب کننده نرونی در دوران میان سالی و پیری است که باعث نابودی نورون ها و سیناپس ها و کاهش حافظه بیمار می گردد. برای بیماری آلزایمر درمان شناخته شده ای وجود ندارد ولی با شناخت زود هنگام این بیماری، می توان پیشرفت آن را کند نگه داشت. روش تصویربرداری توموگرافی انتشار پوزیترون (pet) بدلیل قابلیت تشخیص متابولیسم و عملکرد مغز، در تشخیص بیماری آلزایمر می تواند بهتر از روش های ساختاری متداول، مانند تصویربرداری تشدید مغناطیسی (mri)، عمل نماید. در این پایان نامه؛ به کمک هیستوگرام محلی شدت وکسل ها و ماتریس هم رخداد نواحی مختلف تصاویر عملکردی pet مغز، ویژگی های موثرتر جهت تفکیک بهتر بیماران آلزایمر و افراد سالم مشخص می گردد. علاوه بر این، در این تحقیق ویژگی جدیدی ارائه می گردد که می تواند با درصد تشخیص بالاتری نسبت به ویژگی های آماری و بافتی استخراج شده از هیستوگرام محلی شدت وکسل ها، افراد سالم را از بیماران آلزایمر تفکیک نماید. همچنین در این تحقیق نشان می دهیم که در تصاویر pet، اطلس هاروارد-آکسفورد اطلاعات مفیدتری نسبت به اطلس پرکاربرد aal در اختیار سیستم های تشخیص بیماری آلزایمر قرار می دهد. ارزیابی های اولیه این تحقیق نشان می دهد که به کمک ویژگی های آماری و بافتی حاصل از هیستوگرام شدت و ماتریس هم رخداد نواحی مختلف مغز، می توان با درصد تشخیص بین 72.9% و 88%، بیماران آلزایمر را از افراد سالم تفکیک نمود. جهت ترکیب روش های مبتنی بر ویژگی های مختلف نواحی مغز افراد، روش جدیدی براساس دسته بندی داده ها به کمک منطق فازی برای تشخیص بیماری آلزایمر ارائه شده است. دسته بندی بیماران و افراد سالم براساس قوانین if-then فازی می باشد. برای ایجاد مجموعه قوانین فازی، توابع عضویت و پارامترهای توابع عضویت از الگوریتم پیشنهادی ترکیبی جهش قورباغه ها و ژنتیک استفاده شده است. نتایج حاصل نشان می دهد که روش پیشنهادی مبتنی بر منطق فازی می تواند با درصد تشخیص 93.33%، افراد سالم را از بیماران آلزایمر جدا نماید.