استخراج ارتباطات عملکردی و تأثیری در تصاویر fmri بیماریهای انحطاط مغزی

تصویربرداری تشدید مغناطیسی عملکردی(fmri) با رزولوشن مکانی مناسب یک تکنیک قدرتمند برای مصورسازی فعالیت مغز انسان است. نتایج مطالعات صورت گرفته بر روی دادگان fmri حاکی از آن است که نواحی مجزای آناتومیکی مغز، فعالیت نورونی مشابهی در حالت استراحت از خود نشان می دهند. از این رو در سال های اخیر علاقه فراوانی به بررسی تقابل بین بخشهای مختلف مغز بر مبنای نوسانات خودبخودی سیگنال fmri بین نواحی مختلف مغز در حالت استراحت شکل گرفته است. علاوه بر این، مطالعات fmri حالت استراحت در گروه بیماران مبتلا به اختلالات عصبی، از تغییر شبکه های حالت استراحت مغز حکایت می کند. بیماری پارکینسون (pd) نوعی اختلال سیستم عصبی است که کاهش ترشح دوپامین و تغییرات ارتباطات در ناحیه هسته های قاعده ای از دلایل احتمالی اختلالات حرکتی در آن معرفی شده اند. از آنجا که توسعه مدلهای ارتباطی حالت استراحت می تواند بعنوان ابزار تشخیصی برای ارتباطات غیرطبیعی نواحی مختلف مغز بکار گرفته شود، در این تحقیق با استخراج پارامترهای ارتباطی در بیماری پارکینسون، شبکه ارتباطی مغز در این بیماران در مقایسه با افراد سالم مورد ارزیابی قرار می گیرد. برای آنالیز ارتباطات نواحی مختلف مغز، دو دسته روش آنالیز "ارتباطات عملکردی" و "ارتباطات تأثیری" وجود دارد. با استفاده از روش های آنالیز ارتباطات عملکردی شامل دامنه نوسانات فرکانس پایین(alff)، دامنه نوسانات فرکانس پایین کسری(falff)، همگنی ناحیه-ای(reho)، آنالیز مولفه های مستقل احتمالاتی(pica) و آنالیز همبستگی متقابل(cca) شبکه عملکردی حالت استراحت مغز استخراج شده و با افراد نرمال مقایسه شده است. نتایج مقایسه شبکه های استخراج شده ارتباطات عملکردی نشان می دهد که در بیماران پارکینسونی ارتباطات منفی معناداری بین مخچه و نواحی هسته های قاعده ای برقرار است، درحالیکه این ارتباطات در افراد سالم وجود ندارد. با انتخاب مقادیر alff و reho بعنوان شاخص های درون-ناحیه ای بهمراه شاخص های بین-ناحیه ای cca بعنوان ورودی طبقه بندی کننده، نتایج خوشه بندی بر مبنای متمایزکننده ترین ویژگیها 85% بوده است. نتایج حاکی از آن است که در بیماران پارکینسونی شاخص های بین-ناحیه ای مغز بیشتر از شاخص های درون-ناحیه ای تحت تأثیر قرار می گیرند. از آنجا که ارتباطات عملکردی نمی تواند اطلاعاتی راجع به جهت جریان اطلاعات در شبکه ارتباطی را بدهد، ما برای نخستین بار با استفاده از الگوریتم های ارتباطات تأثیری شامل آنالیز علیتی گرنگر(gca) و تابع انتقال جهتدار (dtf) شبکه ارتباطات تأثیری را در 8 ناحیه درگیر در حرکت استخراج کرده و با محاسبه ویژگیهای توپولوژیکی گراف در شبکه جهتدار(جریان اطلاعات، ضریب خوشه بندی، مدولاتوری و مرکزیت بینابینی)، شبکه افراد بیمار و سالم را مورد مقایسه قرار داده ایم. در شبکه ارتباطات تأثیری افراد سالم یک شبکه محلی متقارن بین نواحی نیمکره چپ و راست وجود دارد که در بیماران دچار اختلال می شود و می تواند عامل مشکلات در شروع حرکت در آنها باشد. در ادامه از آنجا که الگوریتم های ارتباطات عملکردی و تأثیری ارائه شده برای آنالیز حالت استراحت، تنها ارتباطات خطی بین نواحی را بیان می کند، ما در این رساله روشی را بر پایه پارامترهای توزیع تجمعی مشترک به نام مفصل پیشنهاد داده ایم که با انتقال دادگان به فضای توزیع یکنواخت و انتخاب توابع مفصل مختلف، امکان تخمین پارامتر وابستگی غیر خطی بین نواحی نیز فراهم می شود. قابلیت این روش جهت استخراج پارامترهای ارتباطی بهینه و کاملاً حساس در تمایز بیماران و افراد سالم با استفاده از طبقه بندی کننده های lda، svm خطی و رگرسیون منطقی نشان داده شده و بهترین نتیجه مربوط به lda با 89% دقت در طبقه بندی بوده است.