Derin öğrenme yöntemleri ile medikal görüntülerden hastalik tespiti
Disease detection from medical images using deep learning methods
- Tez No: 1009701
- Danışmanlar: PROF. DR. ŞEREF SAĞIROĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Alzheimer hastalığı (AD), özellikle hafif bilişsel bozukluk (MCI) evresinde tanı koyulması güç olan ilerleyici bir nörodejeneratif hastalıktır. Bu evrede yapısal ve biyokimyasal değişikliklerin sınırlı olması, tek bir görüntüleme modalitesine dayalı yaklaşımların tanısal başarısını düşürmektedir. Bu çalışmada, MCI grubundaki bireylerde amiloid pozitif ve amiloid negatif durumunun sınıflandırılması amacıyla, derin öğrenme tabanlı 3B CNN modelleri geliştirilmiş ve farklı görüntüleme senaryoları karşılaştırmalı olarak incelenmiştir. Çalışma 4 aşamadan oluşmuştur. İlk aşamada modeller, ADNI veri tabanından elde edilen T1-ağırlıklı MRI ve FDG-PET görüntüleri kullanılarak eğitilmiş ve FDG-PET, MRI, FDG-PET + Klinik Veriler ve MRI + Klinik Veriler senaryoları kapsamında değerlendirilmiştir. Bu aşamada Model-3 ve Model-5'in diğer modellere kıyasla daha başarılı performanslar sergilediği belirlenmiştir. Bu iki modelin genelleme yeteneğini değerlendirmek amacıyla ikinci aşamada, ADNI ve Gazi Veri Seti bir arada kullanılarak eğitilen Model-3'ün ve Model-5'in, performansları yeniden değerlendirilmiştir. Bu aşamada, ilk aşamaya ek olarak FDG-PET + MRI senaryosu da test edilmiştir. Üçüncü aşamada, veri setlerindeki sınıf dengesizliği sorunu ele alınmış olup ADNI ve Gazi Veri Seti bir arada kullanılarak dengeli bir veri seti oluşturulmuştur. Model-3 ve Model-5, bu veri seti ile yeniden değerlendirilmiştir. Son aşamada, bu çalışmanın temel yaklaşımını oluşturan ve herhangi bir kafatası çıkarma işlemi uygulanmadan doğrudan modele verilen görüntülerin performansını karşılaştırmalı olarak değerlendirmek amacıyla, ADNI verilerine ayrıca kafatası soyma işlemi uygulanmıştır. Model-3 ve Model-5, kafatası çıkarılmış veriler kullanılarak aynı senaryolar altında yeniden test edilmiştir. Böylece, kafatası çıkarma işleminin model performansı üzerindeki etkisi değerlendirilmiştir. Ayrıca, model karar mekanizmalarının yorumlanabilirliğini artırmak için Grad-CAM tabanlı açıklanabilir yapay zekâ yöntemi kullanılarak, farklı senaryolarda modellerin hangi beyin bölgelerine odaklandığı görsel olarak analiz edilmiştir. Elde edilen sonuçlar, Model-3 ve Model-5'in benzer performans sergilediğini ve klinik veriler ile desteklenen çoklu veri kullanımının sınıflandırma başarısını artırdığını göstermiştir. Bu bulgular, çoklu veri kullanımının amiloid pozitifliği sınıflandırma performansını artırabildiğini ve açıklanabilirlik analizlerinin modellerin klinik olarak anlamlı kararlar verip vermediğinin değerlendirilmesinde önemli katkılar sunduğunu göstermektedir.
Özet (Çeviri)
Alzheimer's disease (AD) is a progressive neurodegenerative disease that is difficult to diagnose, especially in the mild cognitive impairment (MCI) stage. The limited structural and biochemical changes in this stage reduce the diagnostic success of approaches based on a single imaging modality. In this study, deep learning-based 3D CNN models were developed to classify amyloid-positive and amyloid-negative status in individuals in the MCI group, and different imaging scenarios were examined comparatively. The study consisted of four stages. In the first stage, the models were trained using T1-weighted MRI and FDG-PET images obtained from the ADNI database and evaluated under the FDG-PET, MRI, FDG-PET + Clinical Data, and MRI + Clinical Data scenarios. Model-3 and Model-5 were found to perform better than the other models in this stage. To evaluate the generalization ability of these two models, in the second stage, the performance of Model-3 and Model-5, trained using both the ADNI and Gazi Datasets, was re-evaluated. In this stage, in addition to the first stage, the FDG-PET + MRI scenario was also tested. In the third stage, the class imbalance problem in the datasets was addressed, and a balanced dataset was created using both the ADNI and Gazi Datasets. Model-3 and Model-5 were re-evaluated with this dataset. In the final stage, in order to comparatively evaluate the performance of the images directly fed into the model without any skull removal, which forms the basis of this study's approach, skull removal was also applied to the ADNI data. Model-3 and Model-5 were retested under the same scenarios using the skull-removed data. Thus, the effect of skull removal on model performance was evaluated. In addition, to increase the interpretability of the model decision mechanisms, the brain regions that the models focused on in different scenarios were visually analyzed using a Grad-CAM-based explanatory artificial intelligence method. The results obtained showed that Model-3 and Model-5 exhibited similar performance and that the use of multiple data supported by clinical data increased the classification success. These findings demonstrate that the use of multiple data points can improve amyloid positivity classification performance, and that explainability analyses make significant contributions to evaluating whether models make clinically meaningful decisions.
Benzer Tezler
- Derin öğrenme yöntemleri ile el bilek grafisinden kemik yaşının tahmini
Age estimation from left-hand radi̇ographs with deep learning methods
CÜNEYT ÖZDEMİR
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiSiirt ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YILMAZ KAYA
- Patoloji görüntülerinin derin öğrenme yöntemleri ile sınıflandırılması
Classification of pathology images with deep learning methods
MERAL KARAKURT
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL İŞERİ
- Çocuk akciğer x-ışını görüntülerinin derin öğrenme yöntemleri ile analizi
Analysis of child lung x-ray images with deep learningmethods
ÇAĞDAŞ ŞİMŞEK
Doktora
Türkçe
2025
Fizik ve Fizik Mühendisliğiİstanbul ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. SUAT ÖZKORUCUKLU
- Deep learning approaches for multiple sclerosis lesion segmentation using multi-sequence 3D MR images
Çok sekanslı 3B MR görüntüleri kullanılarak multiple skleroz lezyon bölütlemesi için derin öğrenme yaklaşımları
BEYTULLAH SARICA
Doktora
İngilizce
2023
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Determination of bone age assessment
Kemik yaşı belirlenmesinin değerlendirilmesi
DOĞACAN TOKA
Yüksek Lisans
İngilizce
2024
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜRVET KIRCI