A multimodal deep learning framework integrating hippocampus segmentation on MRI and NIA-AA-2024 framework-aligned alzheimer's disease classification
MRG hipokampus segmentasyonunu ve NIA-AA-2024 çerçevesine uygun alzheimer hastalığı sınıflandırmasını entegre eden çok modlu derin öğrenme çerçevesi
- Tez No: 1007193
- Danışmanlar: PROF. DR. SONGÜL VARLI, UZMAN SİNEM AYDOĞMUŞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Görüntü bölütleme, Karar destek sistemleri, Manyetik rezonans görüntüleme, Sayısal görüntü işleme, Tıbbi görüntüleme, Yapay zeka, Deep learning, Image segmentation, Decision support systems, Magnetic resonance imaging, Digital image processing, Medical imaging, Artificial intelligence
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, Alzheimer hastalığı (AH) teşhisinde klinik yapay zekâ alanındaki tekrarlanabilirlik krizine ve semptomatik yaklaşımlardan biyolojik temelli bir çerçeveye geçiş ihtiyacına yanıt olarak geliştirilen ATN-SynergyNet adlı çok modlu bir karar destek sistemini sunmaktadır. Sistem, AH'yi semptomatik bir sendrom yerine biyolojik bir süreç olarak tanımlayan NIA-AA 2024 kriterlerini operasyonel hale getirmeyi amaçlamaktadır. Bu doğrultuda, yapısal MRG (hipokampal hacim ve 6 ROI tabanlı yama) ile beyin omurilik sıvısı (BOS) biyobelirteçlerini (amiloid-β, tau, p-tau) dinamik bir dikkat mekanizmasıyla sinerjistik olarak bütünleştirmektedir. Metodolojik sağlamlığın temelini, test verisinden bilgi sızıntısını önlemek için normalizasyon ve eşik değerlerinin yalnızca eğitim setinden türetildiği“fit/transform”paradigması ve özne düzeyinde veri ayrımı stratejisi oluşturmaktadır. Ayrıca, kronik sınıf dengesizliği ve ara evrelerin heterojen yapıda olması sorununu çözmek için geliştirilen“ROI-Expert cGAN”modelleri, dış veri setinde (OASIS) dengelenmiş doğruluğu %37.37'den %52.19'a çıkararak (+14.82 puan) literatürdeki güçlü performans artışı aralığını aşmıştır. Klinik verimlilik açısından, sistemin N (Nörodejenerasyon) bileşenini ölçen (Component 1) 7 katmanlı 3D U-Net mimarisi, geleneksel atlas tabanlı FreeSurfer yönteminin 10-12 saatlik işlem yükünü vaka başına 3-5 saniyeye indirerek gerçek zamanlı entegrasyonu mümkün kılmakla birlikte klinik algıyla uyumlu, yüksek hacim örtüşmesi (Dice %74.6) ve sınır netliği sağlamaktadır. En kritik bulgu ise, modelin geleneksel klinik etiketlerden ziyade altta yatan biyolojiye olan sadakatidir; Grad-CAM analizleri modelin nöropatolojik olarak tutarlı bölgelere odaklandığını doğrulamış ve NIA-AA 2024 biyolojik profilleriyle %81.25'lik bir uyum sergileyerek, klinik-biyolojik uyuşmazlık durumlarında dahi doğru evreleme potansiyelini kanıtlamıştır. Bu özellikler, ATN-SynergyNet'i sağlam, hızlı ve biyolojik olarak geçerli bir klinik araç olarak konumlandırmaktadır.
Özet (Çeviri)
This thesis presents a multimodal decision support system called ATN-SynergyNet, developed in response to the reproducibility crisis in clinical artificial intelligence for Alzheimer's disease (AD) diagnosis and the need to shift from symptomatic approaches to a biologically based framework. The system aims to operationalize the NIA-AA 2024 criteria, which define AD as a biological process rather than a symptomatic syndrome. To this end, it synergistically integrates structural MRI (hippocampal volume and 6 ROI-based patch) with cerebrospinal fluid (CSF) biomarkers (amyloid-β, tau, p-tau) through a dynamic attention mechanism. Methodological robustness is based on the“fit/transform”paradigm, where normalization and threshold values are derived solely from the training set to prevent information leakage from test data, and a subject-level data separation strategy. Furthermore, the“ROI-Expert cGAN”models, developed to address the problem of chronic class imbalance and heterogeneous intermediate stages, surpassed the strong performance improvement range in the literature by increasing the balanced accuracy from 37.37% to 52.19% (+14.82 points) on the external dataset (OASIS). In terms of clinical efficiency, the system's 7-layer 3D U-Net architecture, which measures the N (Neurodegeneration) component (Component 1), enables real-time integration by reducing the processing load of the traditional atlas-based FreeSurfer method from 10-12 hours to 3-5 seconds per case, while providing high volume overlap (Dice 74.6%) and boundary clarity consistent with clinical perception. The most critical finding is the model's fidelity to the underlying biology rather than traditional clinical labels; Grad-CAM analyses confirmed that the model focuses on neuropathologically consistent regions and demonstrated its potential for accurate staging even in cases of clinical-biological discrepancy, exhibiting an 81.25% agreement with NIA-AA 2024 biological profiles. These features position ATN-SynergyNet as a robust, rapid, and biologically valid clinical tool.
Benzer Tezler
- Hybrid deep learning architectures for early detection and continuous monitoring of parkinson's disease using multimodal sensor data
Çok modlu sensör verileri kullanılarak parkinson hastalığının erken tespiti ve sürekli izlenmesi için hibrit derin öğrenme mimarileri
MARWAH MUWAFAQ KADHIM AL-MOZANI
Doktora
İngilizce
2026
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN DEMİREL
- Beyin tümörü segmentasyonu için yeni bir üç boyutlu U-Net tabanlı derin öğrenme mimarisi
A novel three-dimensional U-Net based deep learning architecture for brain tumor segmentation
AYŞE BAŞTUĞ KOÇ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- ArGemma: Gemma'nın Arapçaya uyarlanddırılması için ince ayar ve çok görevli öğrenme mimarisi
ArGemma: A fine-tuning and multi-task learning architecture for adapting Gemma to Arabic
TAHA AL-SELWI
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN
- Derin öğrenme modellerinin transfer öğrenme ile farklı veri setleri üzerindeki performanslarının karşılaştırılması
Comparative performance analysis of deep learning models on different datasets using transfer learning
GÜLAHMET YILDIZ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURCU ÇARKLI YAVUZ
- Automatic Alzheimer detecion system based on deep neural network using MRI images
MRI görüntülerini kullanarak derin sinir ağına dayalı otomatik Alzheimer tespit sistemi
MUSTAFA LATEEF FADHIL JUMAILI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRULLAH SONUÇ