fa تشخیص افراد اسپرگر از سالم با به کارگیری نظریه گراف بر روی تصاویر عملکردی مغز به روش تشدید مغناطیسی تخصصي Special پژوهشي اصیل Research <div style="text-align: justify;"><strong><span style="font-family:b titr;"><span style="font-size:12.0pt;">مقدمه:</span></span></strong> <span style="font-family:b nazanin;"><span style="font-size:12.0pt;">سندروم اسپرگر به عنوان یک اختلال عصب تحولی شناخته می&shy;‌شود و دارای نشانه&shy;‌هایی از قبیل عدم تعاملات اجتماعی، عدم ارتباط غیرکلامی، بازه محدود علایق، رفتارهای غیر عادی و تکراری می&shy;‌باشد. افراد آسپرگر معمولا دارای قریحه ذاتی در یک زمینه مانند موسیقی، ریاضی یا غیره هستند. هر چند هنوز تفاوت&shy;های ساختاری و عملکردی مغز در افراد درگیر این اختلال با افراد سالم به طور کامل شناخته شده نمی&shy;‌باشد. بنابراین این مطالعه با هدف شناسایی این تفاوت&shy;ها با استفاده از تحلیل تصاویر عملکردی مغز به روش تشدید مغناطیسی در حالت استراحت بر اساس نظریه گراف صورت پذیرفت.</span></span><br> <strong><span style="font-family:b titr;"><span style="font-size:12.0pt;">روش کار:</span></span></strong> <span style="font-family:b nazanin;"><span style="font-size:12.0pt;">این تحلیل بر اساس محاسبه ارتباط میزان ارتباط عملکردی نواحی مختلف مغز بر پایه شباهت عملکردی آنها صورت گرفت. میزان اختلاف این ارتباط&shy;‌ها در سطح محلی و رفتار کلی مغز بین دو گروه اسپرگر و سالم که از لحاظ سن، جنسیت، راست/چپ دست بودن و میزان بهره هوشی همگن &nbsp;انتحاب شده بودند، مورد مطالعه قرار گرفت.</span></span><br> <strong><span style="font-family:b titr;"><span style="font-size:12.0pt;">یافته&shy;‌ها:</span></span></strong> <span style="font-family:b nazanin;"><span style="font-size:12.0pt;">نتایج نشان داد که این تفاوت&shy;ها بیشتر به صورت محلی در نواحی گیجگاهی، آمیگدال، تالاموس و هلش قابل مشاهده بود. به علاوه استفاده از روش&shy;های دسته&shy;‌بندی بر روی تفاوت&shy;های مشاهده شده&shy; در شبکه عملکردی مغز نشان داد که می&shy;توان افراد اسپرگر را با دقت 84 درصد از افراد سالم شناسایی نمود.</span></span><br> <strong><span style="font-family:b titr;"><span style="font-size:12.0pt;">نتیجه&shy;‌گیری:</span></span></strong> <span style="font-family:b nazanin;"><span style="font-size:12.0pt;">این مطالعه نشان می&shy;دهد، مشخصه</span></span><em><span dir="LTR"><span style="font-family:arial,sans-serif;"><span style="font-size:12.0pt;">&shy;</span></span></span></em><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">های محلی شبکه عملکردی مغز در حالت استراحت می&shy;تواند ابزار مناسبی برای نمایش تفاوت&shy;های موجود بین دو گروه اسپرگر و سالم باشد که می&shy;توان از آن در شناسایی خودکار این اختلال بهره برد.</span></span></div> <div style="text-align: justify;"><strong>Introduction:</strong> Asperger&rsquo;s syndrome is generally known as a neurodevelopmental disorder. The main features of this syndrome are the lack of social interaction, non-verbal communication, unusual repetitive behavior, restricted interests, and may have an inherent talent such as mathematics, music, etc. Nonetheless, their brain structural and functional variations as compared to healthy individuals require to be well understood.<br> <strong>Methods:</strong> This study intends to identify differences of the task-free fMRI data in Asperger&rsquo;s syndrome as compared to healthy individuals using the graph-theoretical approach. In this approach, graph local and global measures are calculated from the functional network, which estimated through taking the correlation between activities in different parts of the brain. Subsequently, the differential pattern of local and global measures in Asperger&rsquo;s syndrome as compared to healthy control group is investigated. Two groups of the subjects are matched in terms of age, gender, handedness, and IQ scores.<br> <strong>Results:</strong> Results revealed the significant differences in local measures at temporal, amygdala, thalamus, and heschl regions. Classification of the tf-fMRI data based on the identified measures shows an accuracy of 84% to discriminate Asperger&#39;s individuals from the healthy group.<br> <strong>Conclusion:</strong> Accordingly, local measures extracted from the graph of the task-free functional connectivity network have a good potential for screening of Asperger&#39;s syndrome that can be used as an automatically-diagnosed method of this disorder.</div> اسپرگر, تصویر برداری تشدید مغناطیسی, نظریه گراف Asperger's syndrome, Functional magnetic resonance imaging (fMRI), Graph theory 74 83 http://icssjournal.ir/browse.php?a_code=A-10-1-35&slc_lang=fa&sid=1 Jahangir Mobarezpour جهانگیر مبارزپور 10031947532846008051 10031947532846008051 No PhD Student in Cognitive Modeling, Institute for Cognitive and Brain Sciences, Shahid Beheshti University GC, Tehran, Iran دانشجو دکتری مدل‌سازی شناختی، پژوهشکده علوم شناختی و مغز، دانشگاه شهید بهشتی، تهران، ایران Reza Khosrowabadi رضا خسروآبادی R_khosroabadi@sbu.ac.ir 10031947532846008052 10031947532846008052 No Assistant Professor of Cognitive Modeling, Institute for Cognitive and Brain Sciences, Shahid Beheshti University GC, Tehran, Iran, استادیار مدل‌سازی شناختی، پژوهشکده علوم شناختی و مغز، دانشگاه شهید بهشتی، تهران، ایران Reza Ghaderi رضا قادری 10031947532846008053 10031947532846008053 Yes Associate Professor of Cognitive Modeling, Institute for Cognitive and Brain Sciences, Shahid Beheshti University GC, Tehran, Iran دانشیار مدل‌سازی شناختی، پژوهشکده علوم شناختی و مغز، دانشگاه شهید بهشتی، تهران، ایران Keivan Navi کیوان ناوی 10031947532846008054 10031947532846008054 No . Professor of Cognitive Modeling, Institute for Cognitive and Brain Sciences, Shahid Beheshti University GC, Tehran, Iran استاد مدل‌سازی شناختی، پژوهشکده علوم شناختی و مغز، دانشگاه شهید بهشتی، تهران، ایران