 جلسه دفاع از پایان نامه: بتول ذیاب، گروه مهندسی کامپیوتر
استاد راهنما: دکتر محمد صنیعی آباده چکیده: پیشبینی دقیق سن مغز برای بسیاری از حوزههای زیستپزشکی برای تخمین سن شناختی افراد بر اساس اسکنهای مغزی یا سایر دادههای تصویربرداری مغز، ضروری است. این میتواند در تحقیقات برای مطالعه اثرات پیری بر مغز و همچنین در محیطهای بالینی برای ارزیابی سلامت شناختی فرد و شناسایی مسائل بالقوه مانند آسیب مغزی یا بیماری استفاده شود. پیشبینی سن مغز مبتنی بر شبکه کانولوشنی نمودار (GCN) در این مطالعه به عنوان یک رویکرد جدید ارائه شده است که وضعیت رشد یا پیری مغز را در زمان تصویربرداری ارزیابی میکند. مدل GCN بر روی نمودارهای ساخته شده مختلف حاوی دادههای تصویربرداری تشدید مغناطیسی کاربردی (fMRI) آموزش داده شده است با استفاده از تکنیکهای یادگیری آنلاین و یادگیری کامل دستهای، تا سن تقویمی مغز را بر اساس الگوهای اتصال مغز پیشبینی کند. مدلهای مختلف با استفاده از ساختارهای مختلف نمودار از 243 نمونه (نمودارهای جمعیت و نمودارهای فردی) با یکدیگر و با روشهای رگرسیون خطی سنتی مقایسه میشوند. بهترین امتیاز MAE به دست آمده با استفاده از یادگیری آنلاین مدل GCN که بر روی نمودارهای مغزهای فردی اعمال شد، 2.74 بود. نتایج نشان میدهد که مدلهای GCN از روشهای سنتی از نظر دقت پیشبینی بهتر عمل میکنند و ابزار امیدوارکنندهای برای ارزیابی سلامت مغز و شناسایی نشانگرهای اولیه زوال شناختی ارائه میکنند. |
