تخمین سن بیولوژیکی مغز توسط اطلاعات ضخامت قشر مغز- قسمت اول


مقدمه

تخمین سن مغز توسط ویژگی‌های آناتومیک مغز، در سال‌های اخیر بسیار مورد توجه قرار گرفته است.
پیری مغز، فرآیند بیولوژیکی‌ای است که ویژگی های متمایزی را از دوران کودکی تا پیری در مغز نشان می‌دهد. این فرآیند تحت تاثیر عوامل متعددی، از قبیل رشد سلول ‌ها، فرآیندهای عصبی، عوامل محیطی و شرایط سلامت فرد قرار دارد. بنابراین ساختار مغز در طول عمر درحال تغییر است و این تغییرات درمیان گروه‌های سنی مختلف و حتی در هر فردی، متفاوت است.
از مزایای تخمین سن بیولوژیکی مغز، پیش بینی اولیه اختلالات عصبی، به عنوان مثال بیماری آلزایمر است.
از آنجا که پیریِ مغز براساس یک الگوی خاص اتفاق می‌افتد، لذا تخمین سنِ بیولوژیکی مغز توسطِ این الگوها و پیش بینیِ اولیه ای از اختلالات عصبی، مفید خواهد بود.
در این بخش قصد داریم مقاله‌ای را بررسی کنیم که سیستمی برای تخمین سن بیولوژیکی مغز به وسیله ی داده های ضخامت قشر، ارائه میدهد.
برای این منظور از تصاویر 3T از MRI مغز (3D T1-weighted) تعداد2911 نمونه‌ی نرمال ( 1460 مرد و 1451 زن) با رده‌ی سنی 45 تا 91 سال استفاده شده است، که با شرایط یکسان و اسکنر و پارامترهای واحدی در Center of Samsung Medical Center (SMC), Health Promotion سئول جمع آوری شده است.

ابتدا با روش (Sparse Group Lasso (SGL و توسط گروه های آناتومیک مغز، انتخاب ویژگی انجام داده و پس از انتخابِ ویژگی‌ها، از روش غیر خطیِ بدونِ پارامتر Gaussian Process Regression برای پیش‌بینی سن نهایی در مدل، استفاده می‌شود.
نتایج آزمایشات این مدل نشان می‌دهد که معیار mean absolute error برابر 4.05 سال است که این نتیجه قابل مقایسه و حتی در اکثر موارد، بهتر از روش‌های اخیر است.

دیاگرام زیر، نمای کلی از روش انجام شده در مقاله‌ی مذکور است.

دو روش کلی برای ایجاد سیستم تخمین سن توسط تصاویر MRI مغز وجود دارد:
1. استفاده از داده های تصویری خام
2. استفاده از معیارهای آناتومی قشر مغز
که هر دوی این روش ها به استفاده ی یکی از دسته‌های Surface-based و Voxel-based برمی‌گردد.
در این مقاله از روش Surface-based استفاده شده و به کمک معیارهای آناتومی قشر مغز، سیستم تخمین سنی برای مغز ارائه شده است.

روش‌های مورد استفاده:

در ابتدای کار، پس از دریافت تصویر MRI مغز، پیش پردازش‌هایی روی آن انجام می‌گیرد تا داده‌ها و ویژگی مورد نظر از این تصاویر استخراج شوند.

پیش پردازش تصاویر:

برای پیش پردازش داده ها از FressSurfer استفاده شده است. (برای پیش پردازش داده‌هایی که میخواهیم از روش Surface-based از آنها استفاده کنیم، استفاده می‌شود)
قطعه بندی حجمی و تقسیم بندی قشرها، اعمال پیش پردازشی است که در این مقاله و توسط این نرم افزار انجام شده‌است.
ابتدا یک قطعه بندی حجمی روی تصاویر MRI صورت‌گرفته و ضخامت قشر استخراج شده‌است. سپس برای حذف نویز و برای smooth کردن داده‌های ضخامت قشر از روشی که در مقاله‌ی  Cho. 2012 ارائه شده‌است استفاده شده و سپس با استفاده از روش لاپلاس فیلتری برای حذف فرکانس‌های بالا و باقی ماندن فرکانس‌های پایین روی تصاویر اعمال شده‌است.

در مرحله ی بعد، بر اساس اطلس Destrieux (که تصویری از آن در زیر قابل مشاهده است) قشر مغز به 148 قسمت تقسیم بندی شده‌است.

و بعد برای هریک از این 148 تا، میانگین ضخامت قشر محاسبه شده و به عنوان 148 ویژگی از هر تصویر منظور شده‌است.
سپس دو ویژگی سن و جنسیت نیز ( به این علت که هر دوی این موارد در ضخامت قشر تاثیرگذار هستند) به عنوان ویژگی به این 148 مورد اضافه شده و براساس ساختار مغز که به لحاظ آناتومی، طبق شکل زیر می‌تواند به 6 گروه parietal, limbic, occipital, frontal, temporal و insula تقسیم شود،

گروه‌بندی‌ای برای داده های استخراج شده از هر تصویر، به صورتی که درجدول زیر قابل مشاهده است، انجام شد.
(گروه Others به قسمتهایی از آناتومی مغز که جزء هیچ یک از 6 دسته‌ی فوق نیستند، اشاره دارد.)

فیلترگذاری روی 148 ویژگی ضخامت قشر برای شناسایی و حذف داده های پرت:

(فیلتر گذاری بر ویژگی های جنسیت و تحصیلات اعمال نشده است)

برای فیلترگذاری از روش (Local Outlier Factor (LOF استفاده شده‌است.
این الگوریتم از K-nearest neighborhood استفاده می‌کند. به این شکل که چگالی هر نقطه را با چگالی k نزدیکترین همسایه مقایسه می‌کند. فاصله ی بین دو نقطه در اینجا به معنی فاصله‌ی بین دو بردار است که همان بردار مقادیر ضخامت قشر برای هر داده است. داده ای که دارای چگالی کمتری نسبت به دیگر داده‌هاست به عنوان داده ی پرت شناسایی شده است.
با 8 فاصله، گروه سنی افراد به 9 قسمت طبقه بندی شده است (45 تا 99 و 50 تا 54 و…) و سپس LOF روی هر فاصله اعمال شده است تا داده‌ی پرت شناسایی شود.

در محدوده ی سنی مورد مطاله در این پژوهش (45 تا 91) با افزایش سن، ضخامت قشر کاهش می یابد، که این نکته می‌تواند برای تشخیص داده‌های پرت از گروهبندی سن با گروه های مجاور استفاده شود.
بعد از شناسایی و حذف داده های پرت، تعداد 2705 نمونه (1368 مرد و 1337 زن) باقی ماندند.

نمودار زیر، تعداد داده های پرت در هر دسته را نشان می‌دهد.


ادامه‌ی مباحث را در قسمت بعد بررسی خواهیم کرد.


یک دیدگاه بگذارید