other تشخیص بیماری آلزایمر بر اساس تصویرسازی تشدید مغناطیسی مغز با استفاده از مدل ماشین‌بردار پشتیبان مقاله اصیل Original Article <div style="text-align: justify;"><span style="font-family:yekanyw;"><strong><span style="font-size:10.0pt;">زمینه و هدف:</span></strong> <span style="font-size:10.0pt;">بیماری آلزایمر متداول‌ترین بیماری زوال عقل است که به‌صورت نامحسوس پیش می‌رود و ابتدا ساختار بخشی از مغز را تخریب و سپس به‌صورت بالینی بروز پیدا می‌کند. می‌توان با تشخیص به‌موقع این تغییرات ساختاری مغز، از بروز این بیماری یا از پیشرفت آن جلوگیری کرد. هدف این مطالعه، تشخیص بیماری آلزایمر بر اساس تصویرسازی تشدید مغناطیسی مغز با استفاده از مدل ماشین‌بردار پشتیبان بود.</span><br> <strong><span style="font-size:10.0pt;">روش بررسی: </span></strong><span style="font-size:10.0pt;">مطالعه حاضر یک مطالعه تحلیلی از نوع مدلسازی است که در دانشگاه علوم پزشکی کرمانشاه، دانشکده بهداشت از اسفند ۱۳۹۵ تا آذر ۱۳۹۶ انجام شد. داده‌ها یک دیتاست به نام </span><span dir="LTR"><span style="font-size:8.0pt;">Miriad</span></span><span style="font-size:10.0pt;"> شامل تصویرسازی تشدید مغناطیسی مغز ۶۹ فرد بود که در بیمارستان مرکزی لندن جمع‌آوری شده است. افراد به‌وسیله‌ی دو معیار به‌عنوان استاندارد طلایی به دو گروه سالم و آلزایمری تفکیک شده بودند. در این مقاله از مدل ماشین‌بردار پشتیبان با سه کرنل خطی، دوجمله‌ای و گوسین برای تفکیک بیماران از افراد سالم استفاده شد.</span><br> <strong><span style="font-size:10.0pt;">یافته‌ها:</span></strong> <span style="font-size:10.0pt;">با استفاده از مدل ماشین‌بردار پشتیبان با کرنل گوسین بیماران آلزایمری و افراد سالم با صحتی برابر ۸۸/۳۴% به درستی تفکیک شدند. مهمترین ناحیه‌ها برای بیماری آلزایمر سه ناحیه‌ی پاراهیپوکامپ جایروس راست، پاراهیپوکامپ جایروس چپ و هیپوکامپ راست بودند.</span><br> <strong><span style="font-size:10.0pt;">نتیجه‌گیری: </span></strong><span style="font-size:10.0pt;">مطالعه حاضر نشان داد که مدل فوق با صحت بالایی می‌تواند بیماران آلزایمری را از افراد سالم تفکیک کند. بر این اساس می‌توان نرم‌افزاری در اختیار مراکز تصویرسازی تشدید مغناطیسی قرار داد تا تست غربالگری آلزایمر را برای افراد بالای ۵۰ سال انجام دهند.</span></span></div> <div style="text-align: justify;"><strong>Background</strong>: Alzheimer&#39;s disease (AD) is the most common disorder of dementia, which has not been cured after its occurrence. AD progresses indiscernible, first destroy the structure of the brain and subsequently becomes clinically evident. Therefore, the timely and correct diagnosis of these structural changes in the brain is very important and it can prevent the disease or stop its progress. Nowadays, remark to this fact that magnetic resonance imaging (MRI) provides very useful and detailed information, and due to non-invasiveness, this method has been great interest to the researchers. The aim of this study was diagnosis of AD with MRI by support vector machine model (SVM).<br> <strong>Methods</strong>: This is an analytical and modeling research which done in School of Public Health, Kermanshah University of Medical Science, Iran, from February 2017 to November 2017. The data used in this study was a database named Miriad containing brain MRI of 69 individuals (46 Alzheimer&#39;s disease and 23 healthy subjects) that was collected at the central hospital in London. Individuals were categorized into two groups of healthy and Alzheimer&#39;s disease with two criteria: NINCDS-ADRAD and MMSE (as the golden standard). In this paper SVM model with three linear, binomial and Gaussian kernels was used to distinguish Alzheimer`s disease from healthy individuals.<br> <strong>Results</strong>: Finally, SVM model with Gaussian kernel, separated AD and healthy subjects with 88.34% accuracy. The most important Areas for Alzheimer were three Area: Right para hippocampal gyrus, Left para hippocampal gyrus and Right hippocampus. The clinical result of this study is to identify the most important ROI for the diagnosis of Alzheimer&#39;s by a clinical specialist. Experts should focus on atrophy in the three Areas.<br> <strong>Conclusion</strong>: This study showed that the SVM model with Gaussian RBF kernel can separated AD from healthy subjects by high accuracy. Based on results of this study, can make a software to use in MRI centers for screening AD test by people over the age of 50 years.</div> بیماری آلزایمر, تصویرسازی تشدید مغناطیسی, ماشین بردار پشتیبان Alzheimer's disease, magnetic resonance imaging, support vector machine 410 416 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3542-2&slc_lang=other&sid=1 Mansour Rezaei منصور رضایی No Department of Biostatistics, Fertility and Infertility Research Center, Kermanshah University of Medical Sciences, Kermanshah, Iran. گروه آمار زیستی، مرکز تحقیقات باروری ناباروری، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. Ehsan Zereshki احسان زرشکی ehsanzereshki@gmail.com Yes Student Research Committee, School of Public Health, Kermanshah University of Medical Sciences, Kermanshah, Iran. کمیته تحقیقات دانشجویی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. Hamid Sharini حمید شرینی No Department of Medical Physics and Biomedical Engineering, School of Medicine, Tehran University of Medical Sciences, Tehran, Iran. گروه فیزیک پزشکی و مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران. Mohamad Gharib Salehi محمد غریب صالحی No Department of Radiology, Faculty of Medicine, Kermanshah University of Medical Sciences, Kermanshah, Iran. گروه رادیولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. Farhad Naleini فرهاد نعلینی No Department of Radiology, Faculty of Medicine, Kermanshah University of Medical Sciences, Kermanshah, Iran. گروه رادیولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.