نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانشگاه صنعتی خواجه نصیرالدین طوسی

2 K. N. Toosi University of Technology

10.22041/ijbme.2020.115779.1527

چکیده

تشخیص به موقع و صحیح اختلال دوقطبی (BD) و متعاقب آن انجام فرایندهای درمانی، برای جلوگیری از پیشرفت و وخیم شدن این بیماری ضروریست. اگرچه استفاده از داده‏های مبتنی بر تصویربرداری تشدید مغناطیسی عملکردی در حال استراحت (rs-fMRI) و ویژگی‏های استخراج شده از آن‏ها ممکن است نقش مؤثری در تشخیص اختلال دوقطبی داشته باشد، اما تاکنون تحقیقات اندکی بر روی تشخیص افراد مبتلا به BD به کمک rs-fMRI صورت گرفته است و نتایج مربوطه نیز از صحت بالایی برخوردار نبوده‏اند. در این تحقیق روشی جدید مبتنی بر ارتباطات عملکردی برای تشخیص BD I ارائه شده است. برای این منظور با استفاده از ارتباطات عملکردی بر پایه دانه، 4 ناحیه‏ی PCC، dlPFC، amygdala و sgACC را به ترتیب به عنوان نماینده‏های شبکه‏ی DMN، FPN و SN در نظر گرفتیم تا ارتباطات عملکردی میان آن‏ها و سایر نواحی مغز را محاسبه کنیم. بعد از محاسبه‏ی ارتباطات عملکردی برای هر فرد، با استفاده از آستانه‏گذاری مقدار t ویژگی‏های مفیدتر را انتخاب کردیم و سپس با یک ماشین بردار پشتیبان (SVM) و روش اعتبارسنجی متقابل LOOCV و تنها با استفاده از 4 ویژگی ترکیبی، افراد سالم را از افراد دارای اختلال BD I طبقه‏بندی کردیم. نتایج روش پیشنهادی روی داده‏های rs-fMRI مربوط به 49 فرد سالم و 34 فرد مبتلا به BD I مورد استفاده قرار گرفت و صحت طبقه بندی بیش از 90% حاصل شد. همچنین در بررسی ارتباطات عملکردی بین 4 ناحیه‏ی مذکور و سایر نواحی مغز در افراد مبتلا به BD I نسبت به افراد سالم کاهش معنی‏دار ارتباطات مشاهده شد. ناحیه هایی که در افراد دارای اختلال بیشترین افت ارتباطات عملکردی را با 4 ناحیه‏ی مذکور داشتند عبارت‏اند از: Ag و OFC (با دانه‏ی PCC)، ACC (با دانه‏‏های dlPFC و amygdala) و ITG (با دانه‏ی sgACC) که نتایج حاصله سازگار با نتایج تحقیقات پیشین در این حوزه می‏باشند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Functional connectivity based Diagnosis of Bipolar Disorder by using resting state fMRI

نویسندگان [English]

  • Amirhossein Chalechale 1
  • Ali Khadem 2

1 Department of Biomedical Engineering, Faculty of Electrical Engineering

2 Department of Biomedical Engineering, Assistant Professor

چکیده [English]

The well-timed and correct diagnosis of Bipolar Disorder (BD) followed by proper treatment is vital for avoiding the progress of the illness. Although using resting-state functional magnetic resonance imaging (rs-fMRI) data and the features extracted from them may have an important role in diagnosing this kind of brain disorder, few researches have been conducted on this illness and the obtained results are not accurate. In this research we used a new approach to diagnose BD I. By using seed-based correlation we used the following 4 regions of interest in order to extract the connectivity maps for each subject: the posterior cingulate cortex (PCC) to probe the default mode network (DMN), the amygdala and the subgenual cingulate cortex (sgACC) to probe the salience network (SN) and the dorsolateral prefrontal cortex (dlPFC) to probe the frontoparietal network (FPN). After computing the connectivity maps for each subject we extracted the most important connectivities using different threshold on the t-value from the t-test that we applied on them and then we used a support vector machine (SVM) using only four combined features and a leave one out cross-validation (LOOCV) method to classify the two groups. The proposed method was done on rs-fMRI data from 49 healthy control subjects and 34 BD I patients and an accuracy of higher than 90% was obtained in differentiating the two groups from each other. Also there were no hyper-connectivity between the 4 ROIs and the rest of the brain regions for the BD I groups in relation with the healthy controls. The regions that had most of the hypo-connectivity with the 4 ROI’s that we used were: the angular gyrus (Ag) and the orbitofrontal cortex (OFC) with the PCC, the anterior cingulate cortex with the amygdala and the dlPFC and the inferior temporal gyrus (ITG) with the sgACC.

کلیدواژه‌ها [English]

  • Bipolar disorder
  • resting state functional magnetic resonance imaging (rs-fMRI)
  • seed-based correlation
  • T-test
  • Support Vector Machine (SVM)