Apadana موسسه آموزش عالی آپادانا Biannual Journal Novel Interdisciplinary Legal Research فصلنامه پیشرفت های مهندسی در حوزه پزشکی و مواد - 2 2 2026 08 11 Early Diagnosis of MS Disease Based on the LASSO Method and Optimized Deep Belief Network تشخیص بیمارى MS در مراحل اولیه مبتنی بر روش LASSO و شبکه باور عمیق بهینه شده 6 16 FA alireza zarei Master's degree in Biomedical Engineering, Imam Reza International University, Mashhad, Iran علیرضا زارعی Early Diagnosis of MS Disease Based on the LASSO Method and Optimized Deep Belief Network mina haselzadeh Bachelor's degree in Biomedical Engineering, Apadana Higher Education Institute, Shiraz, Iran. مینا حاصل زاده مینا حاصل زاده کارشناسی مهندسی پزشکی، موسسه آموزش عالی آپادانا، شیراز، ایران 2025 11 11 ChatGPT said: Multiple Sclerosis (MS) is an autoimmune disorder of the central nervous system in which immune cells mistakenly attack the protective fatty sheath (myelin) of nerve fibers, causing plaques in the white matter of the brain and spinal cord. This damage, with repeated cycles of destruction and repair, disrupts the transmission of nerve signals and leads to symptoms such as numbness, weakness in limbs, motor coordination issues, dizziness, and visual disturbances. In the proposed approach, the BraTS dataset, which contains a large number of fMRI images for the diagnosis of diseases like MS, Alzheimer's, and brain tumors, is utilized. MS-related images are input into a Convolutional Neural Network (CNN) for training and testing. In the preprocessing stage, image segmentation and feature extraction are performed using a combined Lasso method and fractal model. Due to the high volume of features, dimensionality reduction is essential. In this process, the fractal model, leveraging self-similarity and persistence of features, enhances the performance of the Lasso method and selects the most relevant features. These optimized features are then used to train the CNN, enabling the system to accurately diagnose MS. The results indicate that this method achieves an accuracy of 98.68% in the diagnosis and classification of MS. 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. Disease Diagnosis MS Image Processing fMRI Deep Learning تشخیص بیمارى ام‌اس پردازش تصاویر اف‌ام‌آرآی یادگیری عمیق https://ram.apadana.ac.ir/downloadfilepdf/181497