بیماری ام‌اس (Multiple Sclerosis) نوعی اختلال خودایمنی در سیستم عصبی مرکزی است که در آن سلول‌های ایمنی به اشتباه غلاف چربی محافظ رشته‌های عصبی (میلین) را تخریب می‌کنند و پلاک‌هایی در ماده سفید مغز و نخاع ایجاد می‌شود. این آسیب با تکرار فرآیند تخریب و ترمیم، انتقال پیام‌های عصبی را مختل کرده و علائمی مانند کرختی، ضعف اندام‌ها، ناهماهنگی حرکتی، سرگیجه و اختلالات بینایی را به دنبال دارد. در رویکرد پیشنهادی، از مجموعه داده BraTS که شامل تعداد زیادی تصویر اف‌ام‌آرآی(fMRI)برای تشخیص بیماری‌هایی مانند ام‌اس، آلزایمر و تومورهای مغزی است، استفاده می‌شود. تصاویر مربوط به ام‌اس به عنوان ورودی اصلی به شبکه عصبی کانولوشنی (CNN) وارد شده و عملیات آموزش و آزمون روی آن انجام می‌گیرد. در مرحله پیش‌پردازش، ابتدا تقطیع تصاویر و استخراج ویژگی‌ها با روش ترکیبی Lasso و مدل فرکتال صورت می‌گیرد. به دلیل حجم بالای ویژگی‌ها، کاهش ابعاد ضروری است که در این فرآیند، مدل فرکتال با بهره‌گیری از ساختار خودمتشابه و مانایی ویژگی‌ها، عملکرد روش Lasso را بهبود می‌بخشد و بهترین ویژگی‌ها را انتخاب می‌کند. در نهایت، این ویژگی‌های بهینه‌شده برای آموزش شبکه CNN به کار گرفته شده و سیستم قادر به تشخیص دقیق بیماری ام‌اس می‌گردد. نتایج نشان می‌دهد این روش به دقت 68/98درصد در تشخیص و طبقه‌بندی ام‌اس دست یافته است.

تشخيص بيمارى ام‌اس پردازش تصاوير اف‌ام‌آرآی یادگیری عمیق