fa تشخیص هوشمند بیماری آلزایمر بر اساس تحلیل مساحت نواحی سفید و خاکستری تصاویر مغزی مقالات کامل full articles كاربردي Applicable <strong>مقدمه:</strong> با افزایش امید به زندگی در جهان بویژه در کشورهای پیشرفته، بیماری آلزایمر به یکی از مهم ترین و پرهزینه ترین بیماری ها تبدیل شده است. تخمین زده مd شود که شیوع آلزایمر بعد از 60 سالگی به ازای هر 5 سال دو برابر خواهد شد. متاسفانه این بیماری و انواع دیگر بیماریهای فراموشی هزینه زیادی بر جوامع مختلف تحمیل می کنند. در این مقاله، یک روش هوشمند برای تشخیص اتوماتیک بیماری آلزایمر جهت کمک به تشخیص پزشک ارائه و ارزیابی شده است.<br> <strong>مواد و روشها:</strong> داده های تصویربرداری تشدید مغناطیسی از 236 بیمار در این مطالعه مورد استفاده قرار گرفت. ابتدا با پردازش تصاویر، نواحی سفید، خاکستری و مغزی-نخاعی مغز شرکت کنندگان استخراج شده و مساحت آنها محاسبه گردید و به عنوان بردار ویژگی برای طبقه بندی استفاده شد. سپس طبقه بندی کننده های ماشین پشتیبان بردار و شبکه های عصبی آموزش داده شده و برای طبقه بندی بیماران آلزایمری از افراد سالم مورد استفاده قرار گرفت.<br> <strong>یافته ها:</strong> مساحت نواحی خاکستری مغز در بیماران آلزایمری بطور معنی داری کمتر از افراد سالم بود ( 02 / P=0 ). با استفاده از بردار ویژگی مساحت نواحی و استفاده از شبکه های عصبی به عنوان طبقه بندی کننده، بیماران آلزایمری با دقت 85 % از افراد سالم شناسایی شدند.<br> <strong>نتیجه گیری:</strong> بیماری آلزایمر باعث کاهش مساحت و حجم نواحی خاکستری مغز می شود که این تغییرات غیر قابل بازگشت می باشند. استفاده از روشهای هوشمند می تواند این تغییرات را شناسایی کرده و بیماری آلزایمر را تشخیص دهد. این رو شها می توانند برای کمک به تشخیص پزشک در فرایند تشخیص بیماری آلزایمر مورد استفاده قرار بگیرند. <strong>Introduction:</strong> By increasing life expectancy in the world, especially in developed countries, Alzheimer&rsquo;s disease has become one of the most important and costly diseases. It is estimated that the prevalence of dementia will double every 5 years for people over 60 years. Unfortunately, this disease and other types of dementias impose a heavy burden on the economies of societies. In this study an automated method is presented and evaluated for Alzheimer disease detection in order to assist physician diagnosis.<br> <strong>Methods and Materials:</strong> Magnetic resonance images of 236 patients were used. First, the gray and white matter regions and cerebrospinal fluid were extracted by image processing methods and their area were calculated and considered as feature vector for classification. Then, the support vector machine and neural networks were used to classify the Alzheimer patients from healthy ones.<br> <strong>Results:</strong> The gray matter region areas were significantly lower in Alzheimer group than healthy one. Using the regions area as feature vector and by means of support vector machine and neural networks as classifiers, a detection accuracy of 85% was achieved.<br> <strong>Discussion and Conclusion:</strong> Alzheimer disease reduces the area of gray matter in brain which this changes are irreversible. Intellectual methods can detect this changes and diagnose Alzheimer disease. This methods could be used to assist physician for detection of disease. Alzheimer, Brain Matter, White Matter, Feature Extraction, Classification 27 39 http://jps.ajaums.ac.ir/browse.php?a_code=A-10-138-1&slc_lang=fa&sid=1 Mohammad Fuuzy محمد فیوضی mohammad.fiuzy@yahoo.com 1003194753284600681 1003194753284600681 No Faculty of electrical engineering, Elm-o-Sanat University of Iran, Tehran, Iran دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران Valiallah Saba ولی اله صبا vsaba@aut.ac.ir 1003194753284600682 1003194753284600682 Yes Radiology department, Faculty of Paramedicine, AJA University of Medical Sciences, Tehran, Iran گروه رادیولوژی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی ارتش، تهران، ایران Alireza Dadashi علیرضا داداشی 1003194753284600683 1003194753284600683 No Infectious Disease department, Faculty of medicine, AJA University of Medical Sciences, Tehran, Iran گروه بیماریهای عفونی، دانشکده پزشکی، دانشگاه علوم پزشکی ارتش، تهران، ایران