نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانشگاه آزاد اسلامی، واحد علوم و تحقیقات

2 گروه مهندسی پزشکی، دانشکده برق، دانشگاه صنعتی شریف، تهران، ایران

3 دانشگاه شاهد

10.22041/ijbme.2020.128322.1598

چکیده

تصویربرداری تشدید مغناطیسی عملکردی روشی غیرتهاجمی برای بررسی عملکرد مغز از طریق نوسانات فرکانس پایین سیگنال‌های وابسته به سطح اکسیژن خون می‌باشد. آنالیز عملکردی شبکه‌های مغزی برپایه سری‌های زمانی تصویربرداری تشدید مغناطیسی عملکردی معمولا با استفاده از محاسبه ضریب همبستگی پیرسون بین نواحی مختلف مغز انجام می‌شود. از آنجایی‌که همبستگی پیرسون ارتباطات خطی را آشکار می‌کند و در مورد همبستگی‌های غیرخطی محدودیت دارد، در این تحقیق با استفاده از روش کرنل ارتباطات عملکردی غیرخطی در داده-های تصویربرداری تشدید مغناطیسی عملکردی بیماران آلزایمر مورد ارزیابی قرار می‌گیرند. روش کرنل، با افزایش بعد فضا و انجام محاسبات در فضای جدید که معادل رابطه غیرخطی در فضای اولیه است، امکان ارزیابی ارتباطات عملکردی غیرخطی را فراهم می‌کند. برای ساخت گراف‌های وزن‌دار بدون جهت، از توابع کرنل مختلف با پارامترهای گوناگون استفاده می‌شود. سپس ویژگی-های سراسری گراف از جمله درجه، قدرت، طول مسیر مشخصه، ماژولاریتی، جهان کوچک و بهره‌وری محاسبه می‌شوند و آنالیز آماری غیرپارامتری جایگشتی انجام می‌شود. نتایج آنالیز آماری نشان می‌دهد که همبستگی بدست آمده از روش کرنل در مقایسه با همبستگی پیرسون تمایز بیشتری بین گروه بیمار و کنترل ایجاد می‌کند که می‌تواند به دلیل وجود ارتباطات غیرخطی‌ای باشد که روش پیرسون قادر به آشکارسازی آن‌ها نیست. همچنین در بین توابع کرنل مختلف، بیشترین تمایز آماری هنگام استفاده از کرنل چندجمله‌ای درجه سوم حاصل می‌شود. به منظور حصول اطمینان، از طبقه‌بند ماشین بردار پشتیبان با کرنل‌های مختلف نیز استفاده می‌گردد که بیشترین صحت طبقه‌بندی برابر با 79/0 ± 68/98 است. آنالیز شبکه حالت پایه نیز با روش کرنل و پیرسون انجام می‌شود که در آن، روش کرنل تفاوت آماری معنی‌دار بیشتری نشان می‌دهد. شایان ذکر است نواحی آنگولار راست و چپ که جزئی از شبکه حالت پایه هستند، با هیچ کدام از دو روش تمایزی نشان نمی‌دهند و می‌توان نتیجه گرفت بیماری آلزایمر بر ارتباط عملکردی این نواحی تاثیر چندانی ندارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Investigation of non-linear functional connectivity in Alzheimer’s disease utilizing resting state fMRI data and graph theory

نویسندگان [English]

  • Hessam Ahmadi 1
  • Emadoddin Fatemizadeh 2
  • Alimotie Nasrabadi 3

2 School of Electrical Engineering, Sharif University of Technology, Tehran, Iran

3 Shahed University

چکیده [English]

Functional Magnetic Resonance Imaging (fMRI) is a non-invasive neuroimaging technique for analyzing the brain functions through low-frequency fluctuations called the Blood-Oxygen-Level-Dependent (BOLD) signals. Measurement of the functional connectivity in brain networks is usually done by the fMRI time-series through Pearson Correlation Coefficients (PCC). As the PCC shows linear dependencies, in this study, non-linear relationships in the fMRI signals of the patients with Alzheimer's Disease (AD) were investigated using the kernel trick method. Kernel trick approach maps the input information into a higher dimension space and implementing the linear calculations in a new space that is proportionate to the non-linear relationships in the primary space. After generating the weighted undirected brain graphs based on the Automated Anatomical Labeling (AAL) atlas, different kernel functions with different parameters were applied. Then the graph global measures including degree, strength, small-worldness, modularity, and efficiencies features were computed and the non-parametric permutation test was performed. According to the results, the kernel trick method showed more significant differences with AD and healthy subjects in comparison with the simple PCC and it could be because of the non-linear correlations that are not captured by the PCC. Among different kernel functions, the Polynomial function had the best performance. Applying this kernel, the classification was done by the Support Vector Machine (SVM) classifier. The achieved accuracy was equal to 98.68±0.79%. The Occipital and Temporal lobes and also the Default Mode Network (DMN) were analyzed and the kernel trick method showed more significant differences in all of them. It is worthwhile to mention that the right and left Angular area of DMN showed no significant changes in none of the methods and it could be concluded that the AD does not affect this area effectively.

کلیدواژه‌ها [English]

  • fMRI
  • Functional Connectivity
  • Alzheimer’s Disease
  • Graph Theory
  • Kernel trick