تشخیص بیماری adhd با استفاده از طبقه بندی سیگنال وابسته به سطح اکسیژن خون (bold) در تصویرنگاری عملکردی تشدید مغناطیسی حالت استراحت (rs-fmri)

در سالهای اخیر به منظور تشخیص بیماریهای مرتبط با عملکرد مغز، بررسی تصاویر تشدید مغناطیسی عملکردی حالت استراحت، بسیار مورد توجه قرار گرفته است. در این پایان نامه یک روش جدید با استفاده از ترکیب الگوریتمهای تکاملی برای انتخاب ویژگیهای مناسب و ماشین بردار پشتیبان به عنوان طبقه بندی کننده، ارائه شده که قادر است، افراد سالم و بیمار را با دقت بالا از یکدیگر تفکیک کند. ویژگیهای مورد بررسی در این روش، مقادیر همبستگی میان سیگنالهای سری زمانی مناطق مختلف مغز می باشد که در برخی از مناطق مغز، میان افراد سالم و بیمار متفاوت است. الگوریتمی که در این پایان نامه برای انتخاب ویژگیها به کار گرفته می شود، نوعی الگوریتم اجتماع ذرات است که برای انتخاب همزمان ویژگیهای مناسب و نیز تعداد آنها، بهینه سازی شده است. پس از انتخاب ویژگیهای کارا، از آن ها برای آموزش ماشین بردار پشتیبان استفاده می شود. نتایج بدست آمده از آزمایش روش پیشنهادی برای جداسازی افراد سالم از بیماران مبتلا به اختلال کم توجّهی بیش فعالی در کودکان نشان می دهد، از نظر طبقه بندی صحیح تمامی افراد به سه گروه مختلف (صحت طبقه بندی کلی)، و نیز تشخیص افراد بیمار به عنوان فرد بیمار (بدون در نظر گرفتن نوع بیماری)، این روش نسبت به روشهای پیشین، عملکرد بهتری داشته است. درحالی که، بهترین نتیجه ی طبقه بندی صحیح تمامی افراد به سه گروه سالم، بیمار بیش فعال- کم توجه و بیمار بیش فعال- ترکیبی (نسبت تعداد افرادی که بدرستی در سه گروه طبقه بندی شده اند به تعداد کل افراد) و نیز طبقه بندی صحیح افراد بیمار به عنوان فرد بیمار (نسبت تعداد افراد بیماری که، بدرستی بیمار تشخیص داده شده اند به تعداد کل افراد بیمار) در میان سایر روش ها، به ترتیب %52/62 و %27/52 می باشد، روش پیشنهادی توانسته به مقدار صحت طبقه بندی کلی %61/76 دست یابد و با دقت %73/72، افراد بیمار را به درستی تفکیک کند. این روش منحصر به بیماری خاصی نبوده و می توان از آن برای بررسی اغلب بیماریهای مرتبط با مغز، همانند پارکینسون، افسردگی و غیره، استفاده کرد. لازم به ذکر است در این پایان نامه، تمامی پیش پردازشهای لازم تصاویر، به کمک دو نرم افزار کاربردی در این زمینه یعنی، fsl و afni انجام می شود.