استفاده از روش فازی جهت بررسی تغییرات ضایعات و آتروفی مغزی از روی تصاویر ام آر جهت تشخیص سریع بیماری ام اس
الموضوعات :
1 -
الکلمات المفتاحية: تصاویر ام آر , بیماری ام اس , الگوریتم فازی , واترشد کنترل شده,
ملخص المقالة :
بیماري ام اس ، نوعی بیماري است که سیستم عصبی مرکزي را گرفتار میکند و طی آن میلین موجود بر روي رشته هاي عصبی که نقش محافظتی دارند، از بین می رود و لذا هدایت جریان الکتریکی دچار اختلال شده و علائم بیماري ام اس ظاهر می شود. در این بیماری گلبول های سفید که نقش دفاعی در بدن دارند به میلین که حفاظتی برای رشته های عصبی است ، به عنوان یک عامل بیگانه حمله می کنند و با هر بار حمله این گلبول ها به رشته های اعصاب مربوط به یکی از اندام های بدن بیمار که نامشخص بوده ، آن اندام دچار مشکل می شود. بهترین روش تشخیص ام اس بررسی تصاویر MRI مغزی می باشد. بنابراین وجود روشی سریع و دقیق برای ارزیابی تغییرات آتروفی مغز و یا ایجاد و افزایش ضایعات (پلاکها) ناشی از این بیماری ، یک جزء کلیدی درتشخیص و ارزیابی پیشرفت بیماری و اثربخشی دوره های درمانی آن است. تشخیص تغییرات در ضایعات (پلاکها) و آتروفی مغزی ناشی از این بیماری به صورت دستی معمولاً به یک متخصص آموزش دیده نیاز دارد و بسیار کند و دشوار بوده و نتایج آن تا حدودی ذهنی است. از اینرو وجود سیستمی خودکار جهت استخراج و بررسی دقیق این تغییرات امری ضروری است. با اینکه روشهای خودکار بسیاری ارائه شده است ، اما نتایج تقسیم بندی ها به اندازه کافی دقیق نمی باشند. در نتیجه نیاز فراوانی به ایجاد یک روش قوی ، سریع و دقیق برای تشخیص بیماری ام اس و ضایعات مغزی ناشی از آن وجود دارد. در این مقاله از ترکیب دو روش الگوریتم فازی با الگوریتم واترشد کنترل شده ، یک روش سریع با دقت بالا جهت تشخیص بیماری ام اس از روی تصاویر MR مغزی ارائه شده است.
1. P. Abhale, A. Lashkare and A. Deshpande, "Early Stage Detection of Multiple Sclerosis using FCNN," 2022 10th International Conference on Emerging Trends in Engineering and Technology - Signal and Information Processing (ICETET-SIP-22), Nagpur, India, 2022, pp. 01-04.
2. A. Ahmadi, M. Kashefi, H. Shahrokhi, M.A. Nazari, Computer aided diagnosis system using deep convolutional neural networks for ADHD subtypes, Biomed. Signal Process. Control 63 (2021) 102227.
3. Carass, A., Roy, S., Jog, A., Cuzzocreo, J. L., Magrath, E., Gherman, A., Button, J., Nguyen, J., Prados, F., Sudre, C. H., Cardoso, M. J., Cawley, N., Ciccarelli, O., Wheeler-Kingshott, C., Ourselin, S., Catanese, L., Deshpande, H., Maurel, P., Commowick, O., . . . Pham, D. L. (2017). Longitudinal multiple sclerosis lesion segmentation: Resource and challenge. NeuroImage, 148, 77–102. https://doi.org/10.1016/j.neuroimage.2016.12.064.
4. Coll, L., Pareto, D., Carbonell‐Mirabent, P., Cobo‐Calvo, Á., Arrambide, G., Vidal-Jordana, Á., Comabella, M., Castilló, J., Rodríguez‐Acevedo, B., Zabalza, A., Galán, I., Midaglia, L., Nos, C., Salerno, A., Auger, C., Alberich, M., Río, J., Sastre‐Garriga, J., Oliver, A., . . . Tur, C. (2023). Deciphering multiple sclerosis disability with deep learning attention maps on clinical MRI. NeuroImage. Clinical, 38, 103376. https://doi.org/10.1016/j.nicl.2023.103376.
5. De Santiago, L., Morla, E. M. S., Ortiz, M., López, E., Usanos, C. A., Alonso-Rodríguez, M. C., Barea, R., Cavaliere-Ballesta, C., Fernández, A., & Boquete, L. (2019). A computer-aided diagnosis of multiple sclerosis based on mfVEP recordings. PloS One, 14(4), e0214662. https://doi.org/10.1371/journal.pone.0214662.
6. Frischer, J. M., Bramow, S., Dal‐Bianco, A., Lucchinetti, C. F., Rauschka, H., Schmidbauer, M., Laursen, H., Sörensen, P. S., & Lassmann, H. (2009). The relation between inflammation and neurodegeneration in multiple sclerosis brains. Brain, 132(5), 1175–1189. https://doi.org/10.1093/brain/awp070.
7. García-Lorenzo, D., Prima, S., Arnold, D. L., Collins, D. L., & Barillot, C. (2011). Trimmed-Likelihood estimation for focal lesions and tissue segmentation in multisequence MRI for multiple sclerosis. IEEE Transactions on Medical Imaging, 30(8), 1455–1467. https://doi.org/10.1109/tmi.2011.2114671.
8. Hayama, R., Sarid‐Krebs, L., Richter, R., Fernández, V., Jang, S., & Coupland, G. (2017). PSEUDO RESPONSE REGULATORs stabilize CONSTANS protein to promote flowering in response to day length. EMBO Journal, 36(7), 904–918. https://doi.org/10.15252/embj.201693907.
9. Kester, L., & Van Oudenaarden, A. (2018). Single-Cell transcriptomics meets lineage tracing. Cell Stem Cell, 23(2), 166–179. https://doi.org/10.1016/j.stem.2018.04.014.
10. Lenchik, L., Heacock, L., Weaver, A. A., Boutin, R. D., Cook, T. S., Itri, J. N., Filippi, C. G., Gullapalli, R. P., Lee, J., Zagurovskaya, M., Retson, T., Godwin, K., Nicholson, J., & Narayana, P. A. (2019). Automated Segmentation of tissues using CT and MRI: A Systematic review. Academic Radiology, 26(12), 1695–1706. https://doi.org/10.1016/j.acra.2019.07.006.
11. Mancardi, G. (2009). Further data on autologous haemopoietic stem cell transplantation in multiple sclerosis. Lancet Neurology, 8(3), 219–221. https://doi.org/10.1016/s1474-4422(09)70018-3.
12. Pieterse, C. M. J., Pierik, R., & Van Wees, S. (2014). Different shades of JAZ during plant growth and defense. New Phytologist, 204(2), 261–264. https://doi.org/10.1111/nph.13029.
13. Popescu, V. A., Ran, N., Barkhof, F., Chard, D., Wheeler‐Kingshott, C. a. M., & Vrenken, H. (2014). Accurate GM atrophy quantification in MS using lesion-filling with co-registered 2D lesion masks. NeuroImage. Clinical, 4, 366–373. https://doi.org/10.1016/j.nicl.2014.01.004.
14. Rondinella, A., Crispino, E., Guarnera, F., Giudice, O., Ortis, A., Russo, G., Di Lorenzo, C., Maimone, D., Pappalardo, F., & Battiato, S. (2023). Boosting multiple sclerosis lesion segmentation through attention mechanism. Computers in Biology and Medicine, 161, 107021. https://doi.org/10.1016/j.compbiomed.2023.107021.
15. Scolding, N., Pasquini, M. C., Reingold, S. C., & Cohen, J. A. (2017). Cell-based therapeutic strategies for multiple sclerosis. Brain, 140(11), 2776–2796. https://doi.org/10.1093/brain/awx154.
16. Snowden, J. A., Akil, M., & Kiely, D. G. (2013). Improving safety in autologous HSCT for systemic sclerosis. Lancet, 381(9872), 1081–1083. https://doi.org/10.1016/s0140-6736(12)62176-x.
