دفاعیه کارشناسی ارشد (برق و کامپیوتر) تشخیص زودهنگام اختلال نقص‌توجه – بیش‌فعالی (ADHD) با کمک داده‌های MRI
| تاریخ ارسال: 1402/11/28 |
دانشجو: خانم الهه حسینی
استاد راهنما: دکتر میرمحسن پدرام
زمان: دوشنبه ۳۰ بهمن ماه ۱۴۰۲ ساعت: ۱۱:۰۰
مکان: کرج کلاس ۲۰۵ دانشکده فنی و مهندسی
استاد راهنما: دکتر میرمحسن پدرام
زمان: دوشنبه ۳۰ بهمن ماه ۱۴۰۲ ساعت: ۱۱:۰۰
مکان: کرج کلاس ۲۰۵ دانشکده فنی و مهندسی
چکیده:
این پایان‌نامه به چالش تشخیص دقیق و زودهنگام اختلال نقص‌توجه و بیش‌فعالی (ADHD) با بهره‌گیری از پیشرفت‌های اخیر در تصویربرداری عصبی و یادگیری‌ژرف می‌پردازد. با کمک مجموعه‌داده ADHD-۲۰۰،این تحقیق یک روش پیشگامانه را معرفی و همچنین عوامل جمعیت‌شناختی را نیز در فرآیند تشخیص ادغام می‌کند. هدف اصلی این پژوهش افزایش دقت و کارایی تشخیص ADHD با کمک تصویربرداری تشدید مغناطیسی (MRI) با به‌کار‌گیری مدل‌های یادگیری‌ژرف است. در‌این پایان‌نامه در مرحله پیش‌پردازش، از یک رویکرد ابتکاری برای استخراج ویژگی استفاده شده است. در این رویکرد از شبکه VGG۱۶ از قبل آموزش دیده شده استفاده می‌شود و در نتیجه آن، بهینه‌سازی هزینه‌های محاسباتی و حافظه‌ای فراهم می‌شود. در ادامه، ساختارهای مختلف یادگیری‌ژرف، از جمله شبکه‌های عصبی کانولوشن (CNN)، شبکه‌های حافظه کوتاه‌مدت (LSTM) و واحدهای بازگشتی دروازه‌ای (GRU)، برای مرحله رده‌بندی مورد بررسی قرار می‌گیرند. استفاده از رویکرد‌هایی همچون اعتبار‌سنجی متقابل ۱۰ برابری، عمومیت‌پذیری مدل‌ها را تأیید می‌کند. نتایج حاصل شده، نشان‌دهنده اثربخشی رویکرد پیشنهادی است و بهترین نتیجه از مدل LSTM که عملکرد بسیار خوبی را نشان می‌دهد و به دقت (%۸۶.۳۷)، امتیاز F۱ (۸۶.۵۹%)، فراخوانی (%۸۸.۴۰) و AUC (۹۰.۲۵%) دست یافته، حاصل می‌شود. مدل CNN ۲D بدون استفاده از ویژگی‌های جمعیت‌شناختی از سایر مدل‌ها برتری دارد و دقت (۸۳.۵۸%) و AUC (۸۵.۸۰%) را نشان می‌دهد. این یافته‌ها یک معیار دقیق برای تشخیص ADHD غیر‌تهاجمی و مبتنی بر هوش مصنوعی ایجاد کرده که از دقت مدل‌های مشابه و رویکرد‌های پیشین تا حدودی پیشی می‌گیرد. روش ارائه شده در اینجا نویدبخش پیشرفت‌های آینده در ابزارهای تشخیصی ADHD است که بر دقت، مقیاس‌پذیری و کارایی محاسباتی تأکید دارد.
این پایان‌نامه به چالش تشخیص دقیق و زودهنگام اختلال نقص‌توجه و بیش‌فعالی (ADHD) با بهره‌گیری از پیشرفت‌های اخیر در تصویربرداری عصبی و یادگیری‌ژرف می‌پردازد. با کمک مجموعه‌داده ADHD-۲۰۰،این تحقیق یک روش پیشگامانه را معرفی و همچنین عوامل جمعیت‌شناختی را نیز در فرآیند تشخیص ادغام می‌کند. هدف اصلی این پژوهش افزایش دقت و کارایی تشخیص ADHD با کمک تصویربرداری تشدید مغناطیسی (MRI) با به‌کار‌گیری مدل‌های یادگیری‌ژرف است. در‌این پایان‌نامه در مرحله پیش‌پردازش، از یک رویکرد ابتکاری برای استخراج ویژگی استفاده شده است. در این رویکرد از شبکه VGG۱۶ از قبل آموزش دیده شده استفاده می‌شود و در نتیجه آن، بهینه‌سازی هزینه‌های محاسباتی و حافظه‌ای فراهم می‌شود. در ادامه، ساختارهای مختلف یادگیری‌ژرف، از جمله شبکه‌های عصبی کانولوشن (CNN)، شبکه‌های حافظه کوتاه‌مدت (LSTM) و واحدهای بازگشتی دروازه‌ای (GRU)، برای مرحله رده‌بندی مورد بررسی قرار می‌گیرند. استفاده از رویکرد‌هایی همچون اعتبار‌سنجی متقابل ۱۰ برابری، عمومیت‌پذیری مدل‌ها را تأیید می‌کند. نتایج حاصل شده، نشان‌دهنده اثربخشی رویکرد پیشنهادی است و بهترین نتیجه از مدل LSTM که عملکرد بسیار خوبی را نشان می‌دهد و به دقت (%۸۶.۳۷)، امتیاز F۱ (۸۶.۵۹%)، فراخوانی (%۸۸.۴۰) و AUC (۹۰.۲۵%) دست یافته، حاصل می‌شود. مدل CNN ۲D بدون استفاده از ویژگی‌های جمعیت‌شناختی از سایر مدل‌ها برتری دارد و دقت (۸۳.۵۸%) و AUC (۸۵.۸۰%) را نشان می‌دهد. این یافته‌ها یک معیار دقیق برای تشخیص ADHD غیر‌تهاجمی و مبتنی بر هوش مصنوعی ایجاد کرده که از دقت مدل‌های مشابه و رویکرد‌های پیشین تا حدودی پیشی می‌گیرد. روش ارائه شده در اینجا نویدبخش پیشرفت‌های آینده در ابزارهای تشخیصی ADHD است که بر دقت، مقیاس‌پذیری و کارایی محاسباتی تأکید دارد.
مطالب مشابه
دفعات مشاهده: 237 بار |
دفعات چاپ: 24 بار |
دفعات ارسال به دیگران: 0 بار |
0 نظر