چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008213 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل فارسی :
2 مگا بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
بازنمایی ویژگی¬های سلسله¬مراتبی و ترکیب مالتی مودال، با استفاده از یادگیری عمیق برای تشخیص AD/MCI
عنوان انگليسي
Hierarchical feature representation and multimodal fusion with deep learning for AD/MCI diagnosis
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 14 صفحه انگلیسی به صورت پی دی اف و 45 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
در ده سال گذشته، نشان داده شده است که تصویربرداری عصبی یکی از ابزار بالقوه برای تشخیص بیماری آلزایمر (یا به اصطلاح AD) و مراحل پیش درآمد آن و تشخیص اختلال شناختی خفیف (یا به اصطلاح MCI) است و همچنین تلفیقی از روش های مختلفی است که میتواند اطلاعات تکمیلی بیشتری را برای افزایش دقت تشخیص ارائه نمایند. در اینجا ما با استفاده از تصویربرداری رزونانس مغناطیسی (یا به اصطلاح MRI) و توموگرافیِ تابش پوزیترون (یا به اصطلاح PET)، بر روی دو موضوع بازنمایی ویژگی و همجوشی اطلاعات مالتی مودال تمرکز میکنیم. ما به منظور دستیابی به بهترین سطح دانش، روش هایی که در پژوهش های قبلی بیشتر مورد استفاده قرار گرفته اند را به کار میبریم و از ویژگی هایی همچون ضخامت قشر مغز، تراکم ماده خاکستری در MRI، شدت وکسل در PET و همچنین ترکیبی از این ویژگیهای مالتی مودال (این ویژگیها را میتوان به سادگی و با الحاق به یک بردار بزرگ و یا با انتقال به یک فضای کرنل با ابعاد بالا، ترکیب نمود) استفاده میکنیم. در این مقاله، ما برای سطح بالایی از نهفتگی و بازنمایی ویژگیهای به اشتراک گذاشته شده از روی روش های تصویربرداری عصبی، روش جدیدی را بر مبنای یادگیری عمیق ارائه میدهیم. ما بطور خاص از ماشین بولتزمن عمیق (یا به اختصار DBM) استفاده میکنیم؛ یک شبکه عمیق از یک ماشین بولتزمن محدود برای یافتن بازنمایی ویژگیهای سلسله مراتبی مخفی از روی یک تکه سه بعدی استفاده میکند، و سپس با استفاده از یک DBM مالتی مودال به ایجاد یک روش سیستماتیک برای بازنمایی ویژگی های مشترک براساس تکه های جفت شده ی MRI و PET میپردازد. برای ارزیابی تأثیر روش پیشنهاد شده، ما آزمایشاتمان را با استفاده از مجموعه داده ADNI انجام دادیم و نتایج این آزمایشات را با جدیدترین روشهای موجود مقایسه کردیم.
در سه مسأله ی دسته بندی باینری:
AD در مقایسه با NC (یا کنترل سلامت)؛
MCI در مقایسه با NC؛
MCI تبدیل یافته در مقایسه با MCI غیرتبدیل یافته؛
ما به ترتیب به حداکثر دقت 93.35%، 85.67% و 74.58% دسا یافته ایم، که عملکرد بهتری نسبت به روشهای رقیب داشته است. حتی با نگاه کردن به مدل آموزش دیده شده، نتیجه میگیریم که روش ارائه شده میتواند سلسله مراتب الگوهای نهفته ی پیچیده در هر دوی MRI و PET را کشف کند.
1-مقدمه
بیماری آلزایمر که با اختلال پیشرونده در عملکردهای شناختی و حافظه شناخته شده است، یکی از شایعترین عوامل زوال عقل در افراد مسن است. با توجه به گزارشی که اخیراً توسط انجمن آلزایمر منتشر شده است، هر ساله تعداد مبتلایان به آلزایمر در حال افزایش است؛ 10 تا 20% از افراد بالای 65 سال یا حتی مسنتر، دارای MCI یا اختلالات خفیف شناختی هستند که به عنوان یک مرحله ی پیش درآمد آلزایمر محسوب میشود. با این حال با توجه به اینکه دوره ی زمانی که درمان های سیمپتوماتیک میتوانند مؤثر باشند، محدود است پس تشخیص زودهنگام آلزایمر یا پیشآگهی های آن در کلینیک اهمیت بسیار بالایی دارد....
یادگیری عمیق
:کلمات کلیدی
Abstract
For the last decade, it has been shown that neuroimaging can be a potential tool for the diagnosis of Alzheimer's Disease (AD) and its prodromal stage, Mild Cognitive Impairment (MCI), and also fusion of different modalities can further provide the complementary information to enhance diagnostic accuracy. Here, we focus on the problems of both feature representation and fusion of multimodal information from Magnetic Resonance Imaging (MRI) and Positron Emission Tomography (PET). To our best knowledge, the previous methods in the literature mostly used hand-crafted features such as cortical thickness, gray matter densities from MRI, or voxel intensities from PET, and then combined these multimodal features by simply concatenating into a long vector or transforming into a higher-dimensional kernel space. In this paper, we propose a novel method for a high-level latent and shared feature representation from neuroimaging modalities via deep learning. Specifically, we use Deep Boltzmann Machine (DBM)2, a deep network with a restricted Boltzmann machine as a building block, to find a latent hierarchical feature representation from a 3D patch, and then devise a systematic method for a joint feature representation from the paired patches of MRI and PET with a multimodal DBM. To validate the effectiveness of the proposed method, we performed experiments on ADNI dataset and compared with the state-of-the-art methods. In three binary classification problems of AD vs. healthy Normal Control (NC), MCI vs. NC, and MCI converter vs. MCI non-converter, we obtained the maximal accuracies of 95.35%, 85.67%, and 74.58%, respectively, outperforming the competing methods. By visual inspection of the trained model, we observed that the proposed method could hierarchically discover the complex latent patterns inherent in both MRI and PET.
Keywords:
Alzheimer's Disease Mild Cognitive Impairment Multimodal data fusion
سایر منابع مهندسی کامپیوتر و IT-نرم افزار در زمینه یادگیری عمیق