شبكه عصبي گراف پوياي تفسيرپذير براي تحليل بيماري هاي مغزي

اصفهان : دانشگاه صنعتي اصفهان

كامپيوتر

كارشناسي ارشد

درك اينكه كدام مناطق مغز با يك اختلال عصبي خاص يا محرك‌هاي شناختي مرتبط هستند، يكي از حوزه‌هاي مهم تحقيقات تصويربرداري عصبي بوده است. در اين تحقيق يك روش يادگيري گراف پوياي تفسيرپذير براي پيش‌بيني بيماري ارائه مي‌شود. با توجه‌ به ويژگي‌هاي سيگنال‌هاي BOLD به دست آمده از fMRIها ما يك روش شبكه عصبي گراف مكاني – زماني پيشنهاد مي‌شود كه ابتدا ماتريس مجاورت گراف هر نمونه را با استفاده از سيگنا‌ل‌هاي BOLD پنجره‌بندي شده و يك مكانيزم خود توجهي به صورت پويا ايجاد مي‌كند و سپس با استفاده از پراكندگي تعريف شده اين ماتريس‌هاي مجاورت پوياي تماماً متصل به سمت خلوت شدن تشويق مي‌شوند، بااين‌كار اتصالات مهم‌تر براي پيش‌بيني بيماري باقي مي‌مانند. اين ماتريس‌هاي مجاورت همراه همبستگي بين سيگنال‌هاي BOLD پنجره‌بندي شده بين هر دوجفت ناحيه‌ي مغز (اتصالات عملكردي) به يك شبكه عصبي گراف و شبكه بازگشتي براي استخراج ويژگي مكاني و زماني فرستاده مي‌شود. علاوه‌براين از يك تبديل خطي براي به‌دست‌آوردن اهميت گره‌ها در هر گراف استفاده مي‌شود كه به تفسير نتايج مدل و بهبود پيش‌بيني طبقه‌بندي كمك مي‌كند. همچنين در اين كار توابع ضرري براي تشويق مدل به انتخاب مفيدترين يال و گره تعريف شده‌ است. مانند تابع ضرر پراكندگي كه سعي ميكند ماتريس مجاورتي خلوت ايجاد كند و يا تابع ضرر آنتروپي ماتريس مجاورت كه سعي مي‌كند اختلاف بين يال‌هاي مهم و غيرمهم را بيشينه كند. همچنين توابع ضرري براي تشويق امتيازات گره به داشتن مقادير نزديك به 1 و 0 مانند تابع ضرر آنتروپي امتياز گره و يا تابع ضرر سازگاري در سطح گروه براي داشتن امتيازات گره مشابه در بين نمونه‌هاي يك گروه تعريف مي‌شود. همچنين تابع ضرري براي كمينه كردن اختلاف بين امتيازات گره‌ها براي هر ماتريس ويژگي پنجره‌بندي شده تعريف شده است. در اين تحقيق از مجموعه دادۀ ABIDE كه براي انجام تحقيقات بر روي اختلال طيف اوتيسم جمع‌آوري شده است استفاده مي‌شود. روش پيشنهادي كه با 5 معيار ارزيابي صحت، دقت، بازايابي، سطح زير منحني ROC و امتياز f1 سنجيده شده است، نشان مي‌دهد كه روش پيشنهادي از ديگر روش‌هاي پايه و عميق بهتر عمل مي‌كند.

222880

هوش مصنوعي و رباتيكز

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان