فصلنامه تخصصی آرمان پردازش
فصلنامه تخصصی فناوری اطلاعات و ارتباطات

ارائه راه‌کار مبتنی بر هوش مصنوعی جهت تشخیص بیماری ADHD در کودکان

نوع مقاله : مقاله پژوهشی

نویسنده

فرزانه کبودوند

گروه مهندسی کامپیوتر،دانشگاه آزاد اسلامی، واحد زنجان، زنجان، ایران

10.22034/apj.2025.725727
چکیده
در این مقاله، روشی جهت تشخیص بیماری کودکان مبتلا به fبیش فعالی ( ADHD) در کودکان با استفاده از مفهوم یادگیری عمیق و تحلیل همبستگی بین نواحی تقسیم شده تصاویر عملکردی مغز ارائه می شود. روش پیشنهادی شامل پیش پردازش تصاویر پزشکی جهت حذف تصاویر مخدوش و نویز دارو تصاویر ناقص و مشکل دار ، تولید تصاویر جدید عملکردی مغز با استفاده از خودرمزنگارها که در هوش مصنوعی و یادگیری عمیق کاربرد دارند برای کمک به تحلیل بهتر تصاویر پزشکی و مشکل محدودیت تصاویر پزشکی ، قطعه بندی تصاویر و ایجاد شبکه هایی مجزابرای افزایش دقت تشخیص بیماری و محاسبه همبستگی بین نواحی است که در نهایت به طور موثری موفق به تشخیص بیماری ADHD در کودکان می شود. نتیجه‌گیری این مطالعه نشان می‌دهد که این روش ترکیبی، توانایی بالایی در تشخیص به موقع و دقیق این بیماری در کودکان دارد و می‌تواند به عنوان ابزار موثری در حوزه پزشکی اعصاب و روان در کودکان مورد استفاده قرار گیرد.

کلیدواژه‌ها

بیماری ADHD
یادگیری عمیق
شبکه های خودرمزنگار
قطعه بندی عملکردی تصاویر

عنوان مقاله English

proposed an artificial intelligence-based solution for diagnosing ADHD in children

نویسنده English

Farzane Kabudvand
Department of Computer Engineering, Islamic Azad University, Zanjan Branch, Zanjan, Iran
چکیده English

In this article, a method is proposed for diagnosing children with Attention Deficit Hyperactivity Disorder (ADHD) using deep learning concepts and analyzing the correlation between segmented areas of functional brain images. The proposed method includes preprocessing medical images to remove distorted, noisy, incomplete, and problematic images, generating new functional brain images using autoencoders, which are applicable in artificial intelligence and deep learning, to assist in better analysis of medical images and address the limitations of medical image availability. It also involves segmenting images and creating separate networks to enhance the diagnostic accuracy of the condition and calculate the correlation between regions, ultimately leading to an effective diagnosis of ADHD in children. The conclusion of this study indicates that this combined method has a high capability for timely and accurate diagnosis of this condition in children and can serve as an effective tool in the field of child neurology and psychiatry.

کلیدواژه‌ها English

ADHD
deep learning
self-encoding networks
functional image segmentation
1. Lang EW, Tomé AM, Keck IR, Górriz-Sáez JM, Puntonet CG. Brain connectivity analysis: a short survey. Comput Intell Neurosci. 2012;2012:412512.
2. Foreman DM. Attention deficit hyperactivity disorder: legal and ethical aspects. Arch Dis Child. 2006;91(2):192-4.
3. Zhu C-Z, Zang Y-F, Cao Q-J, Yan C-G, He Y, Jiang T-Z, et al. Fisher discriminative analysis of resting-state brain function for attention-deficit/hyperactivity disorder. NeuroImage. 2008;40(1):110-20.
4. Tomasi D, Volkow ND. Abnormal functional connectivity in children with attention-deficit/hyperactivity disorder. Biol Psychiatry. 2012;71(5):443-50.
5. Cui, S., et al., Automatic semantic segmentation of brain gliomas from MRI images using a deep cascaded neural network. Journal of healthcare engineering, 2018.
6. Distinguishing Adolescents With ADHD From Their Unaffected Siblings and Healthy Comparison Subjects by Neural Activation Patterns During Response Inhibition: Differentiating Boys with ADHD from Those with Typical Development Based on Whole-Brain Functional Connections Using a Machine Learning Approach: (https://pmc.ncbi.nlm.nih.gov/articles/PMC707187
7. محمدی, پیام. داده کاوی، کاربردها، نیازمندی ها، فرایند و ابزارها. فصلنامه تخصصی آرمان پردازش, 1402;  4(3): 51-59.
8. Amado-Caballero P, Casaseca-de-la-Higuera P, Alberola-López S, Andrés-de-Llano JM, López-Villalobos JA, Alberola-López C. Insight into ADHD diagnosis with deep learning on Actimetry: Quantitative interpretation of occlusion maps in age and gender subgroups. Artificial Intelligence in Medicine. 2023;143:102630.
9. Loh HW, Ooi CP, Oh SL, Barua PD, Tan YR, Molinari F, et al. Deep neural network technique for automated detection of ADHD and CD using ECG signal. Computer Methods and Programs in Biomedicine. 2023;241:107775.
10. Singh, N.K. and K. Raza, Medical image generation using generative adversarial networks: A review. Health informatics: A computational perspective in healthcare, 2021: p. 77-96.
11. Suganyadevi S, Seethalakshmi V, Balasamy K. A review on deep learning in medical image analysis. International Journal of Multimedia Information Retrieval. 2022;11(1):19-38.
12. دهقانی محمودآبادی, محمدرضا. بررسی کارایی سیستم دسته‌بند یادگیر برای شناسایی بیماران قلبی. فصلنامه تخصصی آرمان پردازش, 1402; 4(4): 19-29.
13. functional network organization of the human brain ,Jonathan D Power  et al .Neuron .2011
14. Power JD, Cohen AL, Nelson SM, Wig GS, Barnes KA, Church JA, et al. Functional network organization of the human brain. Neuron. 2011;72(4):665-78.

صفحه اصلی

ارسال مقاله

داوران

تماس با ما