[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله ::
:: دوره 9، شماره 3 - ( تابستان 1400 ) ::
دوره 9 شماره 3 صفحات 11-1 برگشت به فهرست نسخه ها
بکارگیری کاهش ابعاد در تصاویر fMRI بر اساس الگوریتم فراابتکاری جهت تشخیص اوتیسم
فرزانه صادقیان، حدیثه حسنی*، مرضیه جعفری
گروه ژئودزی و مهندسی نقشه برداری، دانشگاه تفرش، تفرش، ایران ، h.hasani@tafreshu.ac.ir
چکیده:   (1435 مشاهده)
مقدمه: اختلال طیف اوتیسم (ASD) یک اختلال روانی است و مهارت‌های کلامی و تعاملات اجتماعی فرد را تحت تاثیر قرار می‌دهد. با تولید تصاویر تشدید مغناطیسی کارکردی(fMRI)  و پیشرفت ابزارهای پردازشی آن‌ها، استفاده از این تصاویر در شناسایی و بررسی عملکرد مغز افراد اوتیستیک بسیار مورد توجه قرار گرفت. البته، در این رویکرد فضای ویژگی بر مبنای ماتریس ارتباط عملکردی دارای ابعاد بسیار است. برخی از این ویژگی‌ها وابسته، غیر ضروری و اضافی هستند که کیفیت تشخیص را کاهش داده و حجم محاسبات را افزایش می‌دهد. از این رو با توجه به ابعاد بالای فضای جستجو، الگوریتم بهینه‌سازی توده ذرات (PSO) به‌عنوان یکی از ابزارهای قدرتمند جستجوی فراابتکاری در انتخاب ویژگی‌های بهینه بکار گرفته شده است. مواد و روش‌ها: به منظور ارزیابی قابلیت روش پیشنهادی، از الگوریتم آنالیز مولفه‌های اصلی (PCA) به‌عنوان یک روش کاهش بعد استاندارد استفاده می‌شود. در پژوهش حاضر، از طبقه‌بندی کننده ماشین‌های بردار پشتیبان (SVM) در تشخیص افراد اوتیستیک و سالم بر روی داده‌های پایگاه ABIDE استفاده شد. ضرایب ماتریس ازتباط عملکردی منجر به تولید فضای ویژگی با 6670 بعد می‌شود. یافته‌ها: دقت طبقه‌بندی کننده SVM در این فضای ویژگی 56 درصد است. بکارگیری الگوریتم بهینه‌سازی توده ذرات با حذف 3442 ویژگی، دقت طبقه‌بندی را تا 19/62 درصد افزایش داد که در مقایسه با الگوریتم آنالیز مولفه‌های اصلی عملکرد بهتری دارد. نتایج کاهش ابعاد فضای ویژگی نشان می‌دهد که این الگوریتم فراابتکاری با حذف تقریباً نیمی از ویژگی‌ها منجر به افزایش 6 درصد صحت طبقه‌بندی می‌شود. نتیجه‌گیری: نتایج حاکی از توانایی الگوریتم ماشین‌های بردار پشتیبان در مقایسه با جنگل‌های تصادفی و نزدیک‌ترین K همسایگی می‌باشد. الگوریتم PSO به منظور کاهش بعد فضای داده ورودی استفاده شد.
واژه‌های کلیدی: تصاویر تشدید مغناطیسی، ماشین‌ بردار پشتیبان، اختلال اوتیسم
متن کامل [PDF 1166 kb]   (1302 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تحقیقات پایه در علوم اعصاب
فهرست منابع
1. Ghaffari M.A, Mousavinejad. E, Riahi. F, Mousavinejad. M, Afsharmanesh M.R. Increased Serum Levels of Tumor Necrosis Factor-Alpha, Resistin, And Visfatin in the Children with Autism Spectrum Disorders: A Case-Control Study. Hindawi Publishing Corporation; Article ID 9060751 2016.; pp: 7. [DOI:10.1155/2016/9060751]
2. Savoy R.L. History and Future Directions of Human Brain Mapping and Functional Neuroimaging. Elsevier Science B.V 2001; pp: 9-42. [DOI:10.1016/S0001-6918(01)00018-X]
3. Ogawa. S. Magnetic Resonance Imaging of Blood Vessels at High Fields: in Vivo and in Vitro Measurements and Image Simulation. Magnetic Resonance Imaging 1990; vol.16, No.1. pp: 9-18. [DOI:10.1002/mrm.1910160103]
4. Fox M.D and Raichle M.E. Spontaneous Fluctuations in Brain Activity Observed with Functional Magnetic Resonance Imaging. Nature 2007; vol. 8, pp: 700-711. [DOI:10.1038/nrn2201]
5. Nielsen J.A, Zielinski B.A, Fletcher P.T, Alexander A.L, Lange. N, Bigler E.D, et. Multisite Functional Connectivity MRI Classification of Autism: ABIDE Results. Brain a Journal of Neurology 2013; pp: 134: 3742-3754. [DOI:10.3389/fnhum.2013.00599]
6. Dickstein D.P, Pescosolido M.F, Reidy B.L, Galvan. T, Kim K.L, Seymour K.E, et. Developmental Meta-Analysis of the Functional Neural Correlates of Autism Spectrum Disorders. Journal of the American Academy of Child and Adolescent Psychiatry 2013; vol.52, pp: 279-289. [DOI:10.1016/j.jaac.2012.12.012]
7. Plitt. M, Barnes K.A, Martin. A. Functional Connectivity Classification of Autism Identifies Highly Predictive Brain Features but Falls Short of Biomarker Standards. NeuroImage: Clinical 2015; vol.7, pp: 359-366. [DOI:10.1016/j.nicl.2014.12.013]
8. Friston K.J. Functional and Effective Connectivity in Neuroimaging: A Synthesis. Hum. Brain Mapp 1994; vol.2, pp: 56-78. [DOI:10.1002/hbm.460020107]
9. Iidaka. T. Resting State Functional Magnetic Resonance Imaging and Neural Network Classified Autism and Control. Cortex 2015; vol.63, pp: 55-67. [DOI:10.1016/j.cortex.2014.08.011]
10. Kassraian Fard. P, Matthis. C, Balsters J.H, Maathuis M.H, Wenderoth. N. Promises, Pitfalls, and Basic Guidelines for Applying Machine Learning Classifiers to Psychiatric Imaging Data, with Autism as an Example. Front. Psychiatry 2016; doi: 10.3389/fpsyt.2016.00177. [DOI:10.3389/fpsyt.2016.00177]
11. Heinsfeld A.S, Franco A.R, Craddock R.C, Buchweitz. A, Meneguzzi. F. Identification of Autism Spectrum Disorder Using Deep Learning and the ABIDE Dataset. NeuroImage: Clinical 17 2017; pp: 16-23. [DOI:10.1016/j.nicl.2017.08.017]
12. Fredo A.R.J, Jahedi. A, Reiter. M, Müller R.A. Diagnostic Classification of Autism Using Resting-State fMRI Data and Conditional Random Forest. IEEE; 978-1-5386-3646-6/18/$31.00, 2018.
13. Kong. Y, Gao. J, Xu. Y, Pan. Y, Wang. J, Liu. J. Classification of Autism Spectrum Disorder by Combining Brain Connectivity and Deep Neural Network Classifier. Neurocomputing 2018; pp: 63-68. [DOI:10.1016/j.neucom.2018.04.080]
14. Eslami. T, Mirjalili. V, Fong. A, Laird. A, Saeed. F. ASD-DiagNet: A Hybrid Learning Aapproach for Detection of Autism Spectrum Disorder Using fMRI Data. arXiv:1904.07577v1, 2019. [DOI:10.3389/fninf.2019.00070]
15. Shihab A.I, Dawood F.A, Kashmar. AH. Data Analysis and Classification of Autism Spectrum Disorder Using Principal Component Analysis. Hindawi 2020; Article ID 3407907, pp: 8. [DOI:10.1155/2020/3407907]
16. Eslami. T, S. Raiker. J, Saeed. F. Explainable and Scalable Machine-Learnig Algorithms for Detection of Autism Spectrum Disorder Using fMRI Data. Neurons and Cognition 2020; arXiv:2003.01541. [DOI:10.1016/B978-0-12-822822-7.00004-1]
17. Thomas R.M, Gallo. S, Cerliani. L, Zhutovsky. P, El-Gazzar. A, Wingen GV. Classifying Autism Spectrum Disorder Using the Temporal Statistics of Resting-State Functional MRI Data with 3D Convolutional Neural Networks. Front. Psychiatry 2020 [DOI:10.3389/fpsyt.2020.00440. doi: 10.3389/fpsyt. 2020. 00440.]
18. ABIDE, http: //fcon1000.projects.nitrc.org/indi/abide.
19. Di Martino. A, Yan C.G, Li. Q, Denio. E, Castellanos F.X, Alaerts. K, et al. The Autism Brain Imaging Data Exchange: Towards a Large-Scale Evaluation of the Intrinsic Brain Architecture in Autism. Molecular psychiatry 2013; vol.19, no.6, pp: 1-9. [DOI:10.1038/mp.2013.78]
20. Poldrack R.A, Mumford J.A, Nichols T.E. Handbook of Functional MRI Data Analysis. Columbia University Libraries 2011; vol.10.1017/CBO9780511895029(1), pp: 1-1291.
21. Frackowiak. R, Ashburner. J, Penny. W, Zeki. S. Human Brain Function. The Wellcome Dept. of Imaging Neuroscience 2004; 2 Edition, ISBN: 0122648412,9780122648410.
22. Lang E.W, Tomé A.M, Keck I.R, Górriz-Sáez J.M, Puntonet C.G. Brain Connectivity Analysis: A Short Survey. Published online 2012; 1148(7), pp: 781-7. [DOI:10.1155/2012/412512]
23. Just M.A, Cherkassky V.L, Keller T.A.K, Kana R.K, Minshew N.J. Functional and Anatomical Cortical Underconnectivity in Autism: Evidence from an fMRI Study of an Executive Function Task and Corpus Callosum Morphometry. Cerebral Cortex 2007; pp: 951-61. [DOI:10.1093/cercor/bhl006]
24. Hull J.V, Dokovna L.B, Jacokes Z.J, Torgerson C.M, Irimia. A, Van Horn J.D. Resting-State Functional Connectivity in Autism Spectrum Disorders: A Review. Published NCBI 2017; pp: 205. [DOI:10.3389/fpsyt.2016.00205]
25. Tzourio-Mazoyer. N, Landeau. B, Papathanassiou. D, Crivello. F, Etard. O, et al. Automated Anatomical Labeling of Activations in SPM Using a Macroscopic Anatomical Parcellation of the MNI MRI Single-Subject Brain. Neuroimage 2002; vol.15, No.1, pp: 273-289. [DOI:10.1006/nimg.2001.0978]
26. Poli. R, Kennedy. J, Blackwell. T. Particle swarm optimization. Springer Science and Business Media 2007; pp: 1: 33-57. [DOI:10.1007/s11721-007-0002-0]
27. Cortes. C, Vapnik. V. Support Vector Network. Mach Learn 1995; vol.20, pp: 273-297. [DOI:10.1007/BF00994018]
28. Ulfarsson M.O, Solo. V. A Semiparametric PCA Approach to fMRI Data Analysis. International Conference on Acoustics Speech and Signal Processing (ICASSP) 2010; pp: 634-637. [DOI:10.1109/ICASSP.2010.5495164]



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

sadeghiyan F, Hasani H, Jafari M. Dimension Reduction in fMRI Images based on Metaheuristic Algorithm to Diagnose Autism. Shefaye Khatam. 2021; 9 (3) :1-11
URL: http://shefayekhatam.ir/article-1-2191-fa.html

صادقیان فرزانه، حسنی حدیثه، جعفری مرضیه. بکارگیری کاهش ابعاد در تصاویر fMRI بر اساس الگوریتم فراابتکاری جهت تشخیص اوتیسم. مجله علوم اعصاب شفای خاتم. 1400; 9 (3) :11-1

URL: http://shefayekhatam.ir/article-1-2191-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 9، شماره 3 - ( تابستان 1400 ) برگشت به فهرست نسخه ها
مجله علوم اعصاب شفای خاتم The Neuroscience Journal of Shefaye Khatam
Persian site map - English site map - Created in 0.05 seconds with 30 queries by YEKTAWEB 4410