A reliable alzheimer's disease classification system using a structural MRI dataset
Yapısal manyetik rezonans görüntüleme (MRG) veri seti kullanılarak güvenilir bir alzheimer hastalığı sınıflandırma sistemi
- Tez No: 1000804
- Danışmanlar: PROF. DR. İLKAY ULUSOY
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Alzheimer hastalığı, Derin öğrenme, Dönüştürücüler, Tıbbi görüntüleme, Alzheimer disease, Deep learning, Transformers, Medical imaging
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, ADNI veri kümesine ait yapısal manyetik rezonans görüntüleri (sMRI) kullanılarak Alzheimer hastalığının (AD) sınıflandırılması için yapay zekâ tabanlı bir tanı sisteminin nasıl geliştirilebileceğini incelemektedir. Görüntüler, tekrarlanabilir bir işlem hattı üzerinden işlenmiştir. Klinik güvenilirliği sağlamak amacıyla, özne düzeyinde katı bir veri bölme stratejisi altında üç tamamlayıcı modelleme yaklaşımı uygulanmış ve değerlendirilmiştir. Dilim tabanlı Vision Transformer modelleri (ViT, Swin, MedViT), 2B girdilerin anlamlı bir tanısal bilgi taşıdığını ancak hacimsel bağlamın eksikliği nedeniyle sınırlı kaldığını göstermiş ve en yüksek %85,4 doğruluk elde edilmiştir. Bunu aşmak amacıyla geliştirilen, omurga Vision Transformer ile dizi tabanlı Transformer'ı birleştiren yaklaşım, MRG'yi anatomik olarak sıralanmış bir dizi şeklinde modelleyerek kesitler arası bağımlılıkları yakalamış ve doğruluğu %90,2'ye çıkarmıştır. Yorumlanabilirliği hedefleyen ROI morfometri modeli ise segmentasyon temelli öznitelikleri sinirsel ve klasik sınıflandırıcılarla kullanmış ve %97,4'e varan doğrulukla son derece rekabetçi sonuçlar elde etmiştir. Bulgular, dizi farkındalığı olan derin öğrenme yöntemlerinin dilim tabanlı yaklaşımlara üstün olduğunu, ancak segmentasyon türevli morfometrik özelliklerin AD tanısı için güçlü, hesaplama açısından verimli ve yorumlanabilir bir alternatif sunduğunu göstermektedir. Çalışma, güvenilir tanı sistemleri için veri sızıntısını önleyen ve genellenebilirliği artıran özne düzeyinde değerlendirme protokollerinin önceliklendirilmesi gerektiği sonucuna varmaktadır.
Özet (Çeviri)
This thesis examines how an Artificial Intelligence (AI)-based diagnostic system can be built for Alzheimer's disease (AD) classification from structural magnetic resonance imaging (sMRI) of the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset. Volumes were processed through a reproducible pipeline. Three complementary modeling paradigms were implemented and evaluated using a strict subject-level split to ensure clinical reliability. Slice-based Vision Transformers (ViT, Swin, MedViT) demonstrated that while 2D inputs provide a significant diagnostic signal, they are limited by the lack of volumetric context, achieving a peak subject-level accuracy of 85.4%. A Backbone Vision Transformer with a sequence-based Transformer addressed this by modeling MRI as an anatomically ordered sequence, capturing cross-slice dependencies and improving accuracy to 90.2%. The Region of Interest (ROI) Morphometry Model explored interpretability by employing segmentation-derived features classified using neural and classical algorithms. This ROI-based morphometry approach was highly competitive, achieving up to 97.4% accuracy. The findings indicate that while sequence-aware deep learning outperforms slice-based methods, segmentation-derived morphometric features offer a robust, computationally efficient, and interpretable alternative for AD diagnosis. The study concludes that reliable diagnostic systems must prioritize subject-level evaluation protocols to prevent data leakage and ensure generalizability.
Benzer Tezler
- Topluluk öğrenme yöntemleri ile beyin MR görüntüleri üzerinden alzheimer tespiti
Alzhei̇mer's disease detection using ensemble learning on brain MRI images
DERYA MERT
Yüksek Lisans
Türkçe
2025
Bilim ve TeknolojiBursa Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA ÖZDEN
- A metaheuristic optimization–integrated deep learning framework for high-dimensional image classification
Yüksek boyutlu görüntü sınıflandırması için meta sezgisel optimizasyon-entegre derin öğrenme çerçevesi
SAMEER SAEED IBRAHIM ABBAS
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA YENİAD
- Identification of key gene pathways in Alzheimer's disease using machine learning methods on gene expression data
Gen ekspresyon verileriyle Alzheimer risk tahmini ve yolak analizi
KERİM ALPER KAVUŞAN
Yüksek Lisans
İngilizce
2026
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET GÜRAY GÜLER
- Makine öğrenmesi ile alzheimer hastalığının ilerlemesinde hafif bilişsel bozukluğun tahmin edilmesine yönelik mrg tabanlı morfometrik analiz
Mri-based morphometric analysis for predicting mild cognitive impairment to alzheimer's disease progression with machine learning
MUHAMMET FURKAN ATILGAN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiNecmettin Erbakan ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ OSMAN ÖZKAN
- Mental hastalıkların gerçek zamanlı ve yapay zekâ tabanlı analizi için EEG cihazı tasarımı
Desıgn of an EEG devıce for real-tıme and aı-based analysıs of mental dısorders
İBRAHİM DURSUN
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET AKIN