بیماری ms یکی از مهمترین انواع بیماری های خودایمنی بدن و شایع ترین عامل ناتوانی حرکتی غیر جراحتی در جوانان بین 20 تا 40 سال است. این بیماری به مرور زمان باعث تغییرات شکلی و ساختاری در مغز می شود. به منظور پیگیری روند پیشرفت بیماری و ارائه طرح درمان بیمار، امروزه روال تشخیص انواع مختلف ضایعات ms و تخمین حجم کلی آن ها در تصاویر mr ، امری متداول شده است، لذا نیاز به جایگزین شدن شیوه ای اتوماتیک برای استخراج حجم کلی ضایعات و تعیین نوع آن ها در تصاویر mr، به جای شیوه قدیمی (که به طور دستی توسط پزشک روی فیلم های رادیولوژی انجام می گیرد و همراه با خطای بسیار است) کاملا احساس می شود. تاکنون رویکردهای مختلفی برای تمایز نواحی ضایعه از بافت سالم ارائه شده است ولی روش های محدودی به تعیین نوع ضایعه پرداخته اند که همه آن ها مبتنی بر روش های تصویربرداری mr معمولی هستند. در این تحقیق روش جدیدی برای تشخیص خودکار انواع ضایعات ms (حاد ، مزمن و t2) با استفاده از شبکه عصبی ارائه شده است. برای طبقه بندی علاوه بر ویژگی های شدت روشنایی در تصاویر mr معمولی از 2 ویژگی جدید که از تصاویر پرفیوژن بیمار استخراج می شوند، استفاده شده است. نتایج ارزیابی ناحیه بندی ضایعات حاد و مزمن به کمک تصاویر پرفیوژن مبتنی بر محاسبه میانگین معیارهای حساسیت( se)، اختصاصی بودن ( sp) و دقت ( acc) برای ضایعات حاد به ترتیب برابر 89% و 96% و 96% و برای ضایعات مزمن به ترتیب 76% و 90% و 90% بودند که بیانگر عملکرد مطلوب طبقه بندی در رویکرد پیشنهادی می باشند. مطالعات اخیر نشان داده است که تصاویر پرفیوژن توانایی پیشگویی مکان ضایعه های بعدی را در بیماران ms دارا می باشد. پیشگویی زودهنگام مکان ضایعه می تواند تحول عظیمی در روند درمان این بیماری ایجاد کند. تکنیک تصویربرداری پرفیوژن در این رساله از نوع dsc-mri بود که برای اولین بار در کشور در راستای این تحقیق پیاده سازی شد، با توجه به کسب تجربه اولیه در پیاده سازی تکنیک و روشن شدن نکات مبهم آن، هم اکنون امکان تحقق مطالعه پیگیری دو یا چند بیمار در طول یک سال به منظور بررسی امکان پیش بینی مکان ضایعه میسر شده است.

بیماری ام اس یک بیماری رایج در اعصاب مرکزی بوده (مغز و نخاع) که در اثر تخریب غلاف میلین، سبب ایجاد لکه های سفید یا پلاک های متعددی در مغز فرد می گردد. شیوع روز افزون بیماری ام اس از یک سو و تشخیص به موقع آن از سویی دیگر، لزوم به تصویربرداری دقیق را برای شناسایی ام اس بیان می کند. از میان روش های تصویربرداری موجود mri به دلیل حساسیت بالا، عدم استفاده از پرتو یونیزه، غیر تهاجمی بودن، یک روش موثر در تشخیص می باشد. با توجه به اینکه تشخیص بیماری ام اس و طبقه بندی نوع آن به مهارت پزشک وابسته می باشد استفاده از روش های هوشمند می تواند در تشخیص و طبقه بندی به پزشک کمک کند. این پایان نامه، به بررسی طبقه بندی داده های حاصل از mri مغز، به دو گروه نرمال و دارای ام اس یا مستعد ام اس، با استفاده از روش های هوشمند و به ویژه شبکه های عصبی کانولوشن می پردازد.. تصاویر مورد بررسی در این پایان نامه از مرکز تصویر برداری حقیقت جمع آوری گردیده است که شامل تصاویر mri، 150 بیمار،108 زن و 42 مرد می باشد. این مجموعه تصاویر شامل 81 بیمار ام اس یا مشکوک به ام اس و 69 نرمال است. در کار های گذشته عمدتا از الگوریتم های بخش بندی شده است اما به دلیل ساختار پیچیده مغز و وجود نواحی مشابه ضایعات، عمدتا دچار مشکل می شوند. در این نوشتار برای اولین بار به ارائه شبکه عصبی کانولوشن به منظور تشخیص بیماری ام اس پرداخته شده است. این شبکه به دلیل استخراج اتوماتیک ویژگی های محلی تصاویر توان بالایی در تشخیص این بیماری، بدون اعمال پیش پردازش دارد. پس از استخراج بردار ویژگی، برای طبقه بندی ویژگی ها با شبکه های عصبی پرسپترون، در دو حالت آموزش لایه آخر کانولوشن و آموزش کل ساختار به تریب حساسیت 96% و 100 %، دقت 76% و 86 % را بدست آوریم. کلید واژه: بیماری ام اس، تصویربرداری mri، شبکه عصبی کانولوشن و استخراج ویژگی.

مالتیپل اسکلروز (ms )، بیماری مزمن و ناتوان کننده سیستم عصبی مرکزی (cns )است و شایع ترین علت ناتوانی غیرجراحتی در جوانان می باشد. با توجه به گسترش و اهمیت این بیماری، بررسی کمی تغییرات در بافت مغز به همراه ارزیابی علایم بالینی، درک دقیق تری از روند پیشرفت و درمان بیماری ایجاد می کند. تصویربرداری تشدید مغناطیسی تانسور انتشاری (dt-mri )یک روش تصویربرداری حساس برای بررسی تغییرات آسیب شناسی بافت مغز در طول روند بیماری ms می باشد. این تکنیک تصویربرداری با استفاده از کمی سازی انتشار آب، اطلاعات مهمی درباره ریزساختار مغز فراهم می کند. از آنجاییکه اندازه گیری مکرر سطح ناتوانی (edss ) به منظور بررسی پیشرفت بیماری بعنوان یک استاندارد طلایی، مهم می باشد. کمی سازی میزان همبستگی بین سبک های مختلف تصویربرداری mr (به ویژه dt- mr) و edss در تدوین پروتکل درمانی بسیار اهمیت یافته است. در این تحقیق رویکردی به منظور کمی سازی میزان همبستگی شاخص های انتشار (fa ,md ,ra ,vr) حاصل از dt-mri در ضایعات ms و edss با بهره گیری از تصاویر c-mri ارائه می شود. ابتدا به بررسی همبستگی ضایعات ms تصاویر flair و ضایعات black hole تصاویر t1-w پرداختیم و دریافتیم همبستگی شاخص های انتشار black hole ها در تصاویر t1-w نسبت به ضایعات ms در تصاویر flair با میزان ناتوانی بالینی بیمار بیشتر می باشد. در قسمت بعد، شاخص های انتشار مربوط به ضایعات ms مشترک موجود در چند ناحیه مغز را به روش roi با اندازه یکسان در کلیه بیماران اندازه گیری کردیم. این کار جزء جدیدترین تحقیقات انجام شده در این حوزه محسوب می شود. به عنوان نتیجه دریافتیم همبستگی شاخص های انتشار با edss در ناحیه جلویی مغز بیشتر از سایر نواحی بوده است. میزان همبستگی نسبت حجم در کلیه نواحی زیادتر از مقدار ناهمگونی کسری است و نیز با افزایش edss مقدار شاخص های مربوط به ناهمگونی یعنی ناهمگونی کسری و ناهمگونی نسبی کاهش پیدا می کند ولی برعکس مقادیر انتشار میانگین و نسبت حجم با افزایش edss زیاد شدند.با مشاهده کلیه شاخص های محاسبه شده، مشخص گردید که با افزایش edss مقدار شاخص های مربوط به ناهمگونی یعنی fa و ra ضایعات کاهش پیدا کردند و علامت ضریب همبستگی آنها منفی می باشد (کاهش fa ضایعات با افزایش edss برابر 11% و کاهش ra برابر با 2% می باشد) ولی برعکس مقادیر md و vr با افزایش edss زیاد شدند و علامت ضریب همبستگی آنها مثبت می باشد (افزایش md برابر با 12% و vr برابر با 7% می باشد). از بین این چهار شاخص انتشار، vr و ra شاخص هایی نسبتا جدید هستند که اخیرا در مقالات مختلف بر روی نمونه های حیوانی مورد استفاده قرار گرفته اند [43،23]. ارزیابی این شاخص ها بر روی تصاویر مغز نمونه های انسانی مبتلا به ms در این پایان نامه نشان داد که در نواحی ضایعه با افزایش علائم بالینی، مطابق نتایج [43] که بر روی مغز سگ های مبتلا به ms انجام شده بود، vr افزایش می یابد و بطور کلی همیشه مقدار vr از fa بیشتر می باشد (میزان این اختلاف برابر 16% به دست آمد) و نیز طبق نتیجه مقاله [23] بر روی مغز موش های مبتلا به ms، ra کم می شود. همچنین افزایش md و کاهش fa با افزایش علایم بالینی، مطابق با هر دو مقاله در اینجا نیز مشاهده گردید. از آنجا که dt-mri برخلاف سایر روش های مرسوم mri بعنوان روشی است که ساختار میکرویی مغز را نیز بررسی می کند شاخص های fa و md با حجم میلین و تعداد آکسون همبستگی دارند لذا نتایج این پایان نامه را در مورد همبستگی نسبتا بالای fa و md با میزان ناتوانی بیمار تایید می کنند.

بیماریms یکی از مهمترین انواع بیماری های خود ایمنی بدن و شایع ترین عامل ناتوانی حرکتی غیر جراحتی در جوانان و به خصوص بین زنان20 تا 40 سال است. بررسی کمّی تغییرات حجم انواع ضایعات در تصاویر تشدید مغناطیسی (mr) به گونه ای که بتواند برآوردی از میزان درگیری واحد های حجمی و تخریب میلین ارایه نماید، به همراه ارزیابی علایم بالینی (edss) درک دقیق تری از روند پیشرفت بیماری ایجاد می کند و اطلاعات مهمی را برای پیگیری روند درمان در بیماران ارائه می دهد. بنابراین به منظور کمّی سازی میزان همبستگی حجم انواع ضایعات با edss، به یک روش دقیق و تمام خودکار جهت تقطیع انواع ضایعات نیاز است. رویکرد معرفی شده در این تحقیق مشتمل بر سه مرحله می باشد. در مرحله اول، بردار ویژگی های بافت محور شامل ویژگی هایی نظیر: شدت روشنایی هر پیکسل، میانگین شدت روشنایی، واریانس، گرادیان، میزان بی نظمی (آنتروپی) برای هر پیکسل در یک همسایگی و همچنین، میانگین و واریانس ضایعات و بافت طبیعی در تصاویر flair برای دادگان تعلیم تشکیل شده و پیکسل های دادگان آزمایش با استفاده از طبقه بندی کننده svm ، به دو دسته ضایعات و بافت سالم دسته بندی می شوند. در مرحله ی دوم، با نگاشت ضایعات استخراج شده از تصاویر flair به دیگر سبک های تصویربرداری تشدید مغناطیسی (mri)، نواحی متناظر ضایعات در تصاویر t2 وزن دار (t2w)، تصاویر t1 وزن دار (t1w) وt1w ارتقا یافته با گادولینم (gad-e-t1w)، استخراج می شوند. سپس با استفاده از شبکه عصبی چند لایه پرسپترون (mlp)، ضایعات در سه دسته t2، t1w (black hole)، t1 ارتقا یافته، دسته بندی می شوند. در نهایت، همبستگی حجم ضایعات هر دسته با edss، محاسبه می گردد. نتایج ارزیابی مرحله اول مبتنی بر محاسبه شاخص شباهت (si) 76% بوده که نشانگر دقت بالای الگوریتم تقطیع می باشد. در مرحله دوم معیارهای حساسیت (se)، اختصاصی بودن (sp) و دقت (ac) برای دادگان آزمایش، به ترتیب برابر 87% و 94% و 94% ، نشان گر عملکرد مطلوب این بخش از الگوریتم پیشنهادی است. نتایج کمّی سازی میزان همبستگی، ارتباط معنی دار در افزایش حجم ضایعات t2w و علائم بالینی را نشان می دهد (p=0.03 و r=0.71 ). همچنین همبستگی مهم تری بین حجم ضایعات نواحی سیاه رنگ در تصاویر t1w و علائم بالینی وجود دارد (p=0.004 و r=0.82 ). بررسی ها انجام شده نشان داد که بین حجم ضایعات در تصاویر gad-e-t1w و علائم بالینی همبستگی ضعیفی وجود دارد(p=0.01 و r=0.62). انتظار می رود نتایج این تحقیق، نیاز به تقطیع دستی ضایعات توسط پزشک را کاهش و در تشخیص روند تشدید بیماری و درمان موثر آن کمک قابل توجهی نماید.

مالتیپل اسکلروزیس (ms) یکی از بیماریهای شایع سیستم اعصاب مرکزی انسان است که باعث تغییرات شکلی و ساختاری در مغز می شود. بررسی کمی این تغییرات به همراه ارزیابی علایم بالینی، اطلاعات مهمی را برای طرح درمان و پی گیری بیماری ارایه می دهند. رویکردهای متفاوتی برای کمی سازی ضایعات ms با درجات مختلف دخالت کاربر در بررسی های مختلف تصاویر تشدید مغناطیسی (mr3) پیشنهاد شده اند. در این پایان نامه، رویکرد کاملا جدیدی بر مبنای تحلیل فرکتال جهت تقطیع ضایعات ms در تصاویر mr مغز ، با بررسی بازیافت معکوس مایع تضعیف شده (flair4) ارایه شده است. نتایج ارزیابی تقطیع فرکتالی مبتنی بر محاسبه ی میانگین سنجه های مشابهت (شاخص مشابهت (si6)، کسر هم پوشانی (of7) و کسر زیادی (ef8) به ترتیب برابر با : 79/0 ، 81/0 و 25/0 بیانگر عملکرد بهتر این رویکرد نسبت به روش های متداول است. همچنین، بر اساس میانگین بعد فرکتال تخمینی، ضایعات ms (32/2) و بافت طبیعی (68/2) به ترتیب طرحواره ی یکنواخت و غیر یکنواختی دارند. در نهایت، دو رویکرد کاملا نو جهت تعیین نوع ضایعات ms در تصاویر flair، مبتنی بر میزان در گیری واحدهای حجمی (وکسل ها) و تخریب میلین ها ارایه شده است. در این رویکردها، ابتدا وکسل ها به دو نوع : تخریب شده (مزمن) و در حال تخریب (حاد) دسته بندی می شوند. سپس، ضایعات حاد با استفاده از اطلاعات تصاویر tl- وزن دار (tl-w) و tl-w ارتقا یافته با گادولنیم (gad-e-tl-w) به دو نوع : حاد اخیر و حاد نو دسته بندی می شوند. این رویکردها بکارگیری مواد پارامگنت برای ارتقا تصاویر را کاهش داده و شیوه هایی ارزان با زمان بری کم را برای طرح درمان مناسب بیماری و پی گیری آن از طریق حجم سنجی واقعی ضایعات درگیر در تصویرگری های پی گیری ارایه می دهند.

چکیده ندارد.