نشریه علمی مهندسی پزشکی زیستی
Iranian Journal of Biomedical Engineering (IJBME)

تخمین بهره‌ی هوشی از روی تصاویر ام‌آرآی با استفاده از ترکیب شبکه‌ی عصبی کانولوشنی و الگوریتم تقویت گرادیان فوق‌العاده

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

شایان رستمی 1
حسین صدر 2
سیداحمد عدالت‌پناه 3
مژده نظری 4

1 کارشناسی ارشد، گروه مهندسی کامپیوتر، موسسه‌ی آموزش عالی آیندگان، تنکابن، ایران

2 استادیار، گروه انفورماتیک سلامت، پژوهشکده‌ی تروما، دانشگاه علوم پزشکی گیلان، رشت، ایران

3 دانشیار، گروه مهندسی کامپیوتر، موسسه‌ی آموزش عالی آیندگان، تنکابن، ایران

4 استادیار، گروه انفورماتیک پزشکی، دانشکده‌ی پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران

https://doi.org/10.22041/ijbme.2024.2031836.1906
چکیده
تست آی­کیو یک راه حل متداول برای تشخیص و اندازه‌گیری میزان هوش افراد است اما بررسی­ها نشان داده که ساختار مغزی افراد باهوش در مقایسه با افراد معمولی و با ضریب هوش پایین‌ تفاوت چشم‌گیری دارد که این اختلاف را می‌توان به کمک آشکارسازهای پیش‌رفته‌ی مغناطیسی یا تصاویر ام­آر­آی مغزی تشخیص داد. در این راستا هدف این مقاله ارائه‌ی مدلی مبتنی بر هوش مصنوعی برای تخمین بهره‌ی هوشی افراد از روی تصاویر آم­آر­ای مغزی است. برای رسیدن به این هدف در این مقاله از ترکیب شبکه‌ی عصبی کانولوشنی و الگوریتم تقویت گرادیان فوق‌العاده استفاده شده است. شبکه‌های عصبی کانولوشنی در استخراج ویژگی‌های محلی از تصاویر برتری دارند که آن‌ها را برای پردازش محرک‌های بصری مرتبط با تست بهره‌ی هوشی موثر می‌سازد. از سوی دیگر الگوریتم تقویت گرادیان فوق‌العاده یک الگوریتم گروهی قدرتمند است که می‌تواند به طور موثر پیش‌بینی‌های چندین مدل را برای بهبود دقت کلی ترکیب کند. در این راستا در مدل پیشنهادی از شبکه­های عصبی کانولوشنی ResNet-50 و VGG16 به عنوان استخراج کننده‌ی ویژگی و از الگوریتم تقویت گرادیان فوق‌العاده به عنوان یک شناسایی کننده در سطح بالای شبکه برای دسته‌بندی استفاده شده است. مدل پیشنهادی روی مجموعه‌ی داده‌ی تصاویر مغز تبادل اطلاعات تصویربرداری مغز اوتیسم (ABIDE) مورد آزمایش قرار گرفته است. بر اساس نتایج حاصل از آزمایشات، استفاده از شبکه‌ی عصبی کانولوشنی از پیش آموزش داده شده‌ی VGG16 به نسبت شبکه‌ی عصبی کانولوشنی از پیش آموزش داده شده‌ی ResNet-50 در بخش استخراج ویژگی عمل‌کرد بهتری نشان داده و ترکیب آن با الگوریتم تقویت گرادیان فوق‌العاده به دقت 83% در برابر دقت 60% شبکه‌ی عصبی کانولوشنی ResNet-50 دست یافته است.

کلیدواژه‌ها

بهره‌ی هوشی
یادگیری عمیق
شبکه‌ی عصبی کانولوشنی
الگوریتم تقویت گرادیان فوق‌العاده
تصاویر ام‌آرآی

موضوعات

عنوان مقاله English

IQ Estimation from MRI Images using a Combination of Convolutional Neural Network and XGBoost Algorithm

نویسندگان English

Shayan Rostami 1
Hossein Sadr 2
Seyed Ahmad Edalatpanah 3
Mojdeh Nazari 4
1 M.Sc., Department of Computer Engineering, Ayandegan Institute of Higher Education, Tonekabon, Iran
2 Assistant Professor, Department of Health Informatics, Guilan Road Trauma Research Center, Trauma Institute, Guilan University of Medical Sciences, Rasht, Iran
3 Associate Professor, Department of Computer Engineering, Ayandegan Institute of Higher Education, Tonekabon, Iran
4 Assistant Professor, Department of Health Information Technology and Management, School of Allied Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran
چکیده English

IQ test is a common solution to detect and measure people's intelligence, but studies show that the brain activity of intelligent people is significantly different compared to people with normal and low IQ, and this difference can be detected from advanced magnetic resonance imaging or MRI. In this regard, the aim of this paper is to present a model based on artificial intelligence to estimate people's IQ from brain MRI images. To achieve this goal, the combination of Convolutional Neural Network (CNN) and eXtreme Gradient Boosting (XGBoost) is used in this paper. Convolutional neural networks excel in extracting features from images and make them effective for processing visual stimuli related to IQ tests. On the other hand, the XGBoost algorithm is a powerful ensemble algorithm that can effectively combine the predictions of multiple models to improve overall accuracy. In the proposed model, ResNet-50 and VGG16 were used as a feature extractor and the XGBoost algorithm was used as an identifier at the top level of the network to generate results. The proposed model was tested on the Autism Brain Imaging Information Exchange (ABIDE) brain image dataset. Based on the results of the experiments, the use of the pre-trained convolutional neural network VGG16 showed a better performance than the pre-trained convolutional neural network ResNet-50 in the feature extraction section, and its combination with XGBoost algorithm obtained an accuracy of 83% achieved against 60% accuracy of ResNet-50.

کلیدواژه‌ها English

IQ
Deep Learning
Convolutional Neural Network
XGBoost Algorithm
MRI Images
  1. Adebayo, G.O. and R.V. Yampolskiy, Estimating intelligence quotient using stylometry and machine learning techniques: A review. Big Data Mining and Analytics, 2022. 5(3): p. 163-191.
  2. Shuttleworth-Edwards, A.B., et al., Cross-cultural effects on IQ test performance: A review and preliminary normative indications on WAIS-III test performance. Journal of clinical and experimental neuropsychology, 2004. 26(7): p. 903-920.
  3. Woodberry, K.A., A.J. Giuliano, and L.J. Seidman, Premorbid IQ in schizophrenia: a meta-analytic review. American journal of psychiatry, 2008. 165(5): p. 579-587.
  4. Kalashami, M.P., M.M. Pedram, and H. Sadr, EEG feature extraction and data augmentation in emotion recognition. Computational Intelligence and Neuroscience, 2022. 2022.
  5. Khodaverdian, Z., et al., An energy aware resource allocation based on combination of CNN and GRU for virtual machine selection. Multimedia Tools and Applications, 2023: p. 1-28.
  6. Oommen, A., Factors influencing intelligence quotient. Journal of Neurology & Stroke, 2014. 1(4): p. 1-5.
  7. Khodaverdian, Z., H. Sadr, and S.A. Edalatpanah. A shallow deep neural network for selection of migration candidate virtual machines to reduce energy consumption. in 2021 7th International conference on web research (ICWR). 2021. IEEE.
  8. Sadr, H., et al., Cardiovascular disease diagnosis: a holistic approach using the integration of machine learning and deep learning models. European Journal of Medical Research, 2024. 29(1): p. 455.
  9. Thilakavathy, P. and B. Diwan, Intelligent quotient estimation from MRI images using optimal light gradient boosting machine. The Journal of Supercomputing, 2023. 79(3): p. 2431-2450.
  10. Thilakavathy, P. and B. Diwan, Semi-automatic framework for estimating intelligence quotient (IQ) using MRI. Annals of the Romanian Society for Cell Biology, 2021: p. 2087-2101.
  11. Saberi, Z.A., H. Sadr, and M.R. Yamaghani. An Intelligent Diagnosis System for Predicting Coronary Heart Disease. in 2024 10th International Conference on Artificial Intelligence and Robotics (QICAR). 2024. IEEE.
  12. Zahmatkesh Zakariaee, A., H. Sadr, and M.R. Yamaghani, A New Hybrid Method to Detect Risk of Gastric Cancer Using Machine Learning Techniques. Journal of AI and Data Mining, 2023: p. -.
  13. Nazari, M., et al., Detection of Cardiovascular Diseases Using Data Mining Approaches: Application of an Ensemble-Based Model. Cognitive Computation, 2024: p. 1-15.
  14. Dehghan, S., et al., Comparative study of machine learning approaches integrated with genetic algorithm for IVF success prediction. Plos one, 2024. 19(10): p. e0310829.
  15. Arya, A. and M. Manuel. Intelligence quotient classification from human MRI brain images using convolutional neural network. in 2020 12th International Conference on Computational Intelligence and Communication Networks (CICN). 2020. IEEE.
  16. Hussain, M.A., et al., Can deep learning predict human intelligence from structural brain MRI? bioRxiv, 2023: p. 2023.02. 24.529924.
  17. SHEN, T., CLASSIFYING BRAIN AGE FROM MRI IMAGES USING CONVOLUTIONAL NEURAL NETWORK. 2020.
  18. Tamez-Pena, J., et al. Ensemble of SVM, random-forest and the BSWiMS method to predict and describe structural associations with fluid intelligence scores from T1-weighed MRI. in Adolescent Brain Cognitive Development Neurocognitive Prediction: First Challenge, ABCD-NP 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 13, 2019, Proceedings 1. 2019. Springer.
  19. Wang, L., et al., MRI-based intelligence quotient (IQ) estimation with sparse learning. 2015. 10(3): p. e0117295.
  20. Yadav, S.S. and S.M.J.J.o.B.d. Jadhav, Deep convolutional neural network based medical image classification for disease diagnosis. 2019. 6(1): p. 1-18.
  21. Saha, S., et al., Predicting fluid intelligence in adolescence from structural MRI with deep learning methods. 2021. 88: p. 101568.
  22. Dash, A.K. and P. Mohapatra, A Fine-tuned deep convolutional neural network for chest radiography image classification on COVID-19 cases. Multimedia Tools and Applications, 2022: p. 1-21.
  23. Matsuyama, E., A deep learning interpretable model for novel coronavirus disease (COVID-19) screening with chest CT images. Journal of Biomedical Science and Engineering, 2020. 13(07): p. 140.
  24. Chen, T. and C. Guestrin. Xgboost: A scalable tree boosting system. in Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. 2016.
  25. Ren, X., et al. A novel image classification method with CNN-XGBoost model. in Digital Forensics and Watermarking: 16th International Workshop, IWDW 2017, Magdeburg, Germany, August 23-25, 2017, Proceedings 16. 2017. Springer.
  26. Ingalhalikar, M., et al., Functional connectivity-based prediction of Autism on site harmonized ABIDE dataset. IEEE Transactions on Biomedical Engineering, 2021. 68(12): p. 3628-3637.
  27. Thilakavathy, P. and B.J.A.o.t.R.S.f.C.B. Diwan, Semi-automatic framework for estimating Intelligence Quotient (IQ) Using MRI. 2021: p. 2087-2101.
نشریه علمی مهندسی پزشکی زیستی
دوره 18، شماره 1
بهار 1403
صفحه 21-34

  • تاریخ دریافت 21 خرداد 1403
  • تاریخ بازنگری 23 آبان 1403
  • تاریخ پذیرش 06 آذر 1403

صفحه اصلی

تماس با ما