پیش بینی سن مغز با استفاده از یک روش رگرسیونی تجمیعی عمیق مبتنی بر چند اطلس مغزی

مهندس بتول ذیاب که این پژوهش در قالب پایان نامه کارشناسی ارشد وی در رشته مهندسی کامپیوتر- هوش مصنوعی و رباتیکز انجام شد، در خصوص اهمیت یش بینی دقیق سن مغز به منظور ارزیابی سلامت شناختی فرد و شناسایی آسیب‌ها و بیماری‌های مغزی، گفت: یش بینی دقیق سن مغز برای بسیاری از حوزه‌های زیست پزشکی برای تخمین سن شناختی افراد بر اساس اسکن‌های مغزی یا سایر داده‌های تصویر برداری 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. وی افزود: پیش بینی سن مغز مبتنی برشبکه کانولوشنی گراف (GCN) در این مطالعه به عنوان یک رویکرد جدید ارائه شده است که وضعیت رشد یا پیری مغز را در زمان تصویر برداری ارزیابی می‌کند. مدل GCN بر روی گراف‌های ساخته شده مختلف حاوی داده‌های تصویربرداری تشدید مغناطیسی کاربردی (fMRI) آموزش داده شده است با استفاده از تکنیک‌های یادگیری آنلاین و یادگیری کامل دسته ای، تا سن تقویمی مغز را بر اساس الگوهای اتصال مغز پیش بینی کند. مدل‌های مختلف با استفاده از ساختارهای مختلف گراف از۲۴۳ نمونه (گراف‌های جمعیت و گراف‌های فردی) با یکدیگر و با روش‌های رگرسیون خطی سنتی مقایسه می‌شوند. بهترین امتیاز MAE به دست آمده با استفاده ازیادگیری آنلاین مدلGCN که بر روی گراف‌های مغز‌های فرد ی اعمال شد،   ۲.۷۴ بود. مجری این پژوهش تصریح کرد: نتایج نشان می‌دهد که مدل‌های GCN از روش‌های سنتی از نظر دقت پیش بینی بهتر عمل می‌کنند و ابزار امیدوار کننده‌ایبرای ارزیابی سلامت مغز و شناسایی نشانگرهای اولیه زوال شناختی ارائه می‌کنند. گفتنی است این پژوهش در قالب پایان نامه کارشناسی ارشد بتول ذیاب با راهنمایی دکتر محمد صنیعی آباده در دانشکده مهندسی برق و کامپیوتر انجام شد.