Otizm spektrum bozukluğunun fmrı kullanılarak tespiti için makine öğrenmesi tabanlı bir yaklaşım
A machine learning based approach for detection of autism spectrum disorder using fMRI
- Tez No: 1017652
- Danışmanlar: DOÇ. DR. MAHMUT ÖZTÜRK
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Nöroloji, Electrical and Electronics Engineering, Neurology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı (disiplinlerarası)
- Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Otizm spektrum bozukluğu (OSB), sosyal etkileşim ve iletişimde kalıcı yetersizliklerin yanı sıra atipik ve sınırlı davranış örüntüleriyle karakterize edilen bir nörogelişimsel bozukluktur. ASD'den etkilenen bireyler sıklıkla sosyal olarak içe kapanık görünmekte, değişmiş duyusal işlemleme özellikleri sergilemekte ve tipik gelişim gösteren bireylerden ayrışan belirgin duyusal tepkiler göstermektedir. Dünya Sağlık Örgütü'ne göre, otizmin küresel prevalansı sürekli bir artış göstermekte olup, dünya genelinde yaklaşık her 127 kişiden birinin OSB'den etkilendiği bildirilmektedir. Bu durum, erken tanı ve karakterizasyonu destekleyecek güvenilir ve nesnel nörogörüntüleme temelli biyobelirteçlere olan ihtiyacı açıkça ortaya koymaktadır. Bu bağlamda, sunulan çalışma, dinlenim hâli fonksiyonel manyetik rezonans görüntüleme (rs-fMRI) verilerini kullanarak OSB öngörüsüne yönelik fonksiyonel bağlantısallık örüntülerinin kapsamlı bir analizini sunarak mevcut araştırma çabalarına katkıda bulunmaktadır. Özellikle, kan oksijen düzeyine bağlı (BOLD) sinyallerden türetilen fonksiyonel beyin ağlarına odaklanılarak, ABIDE II veri seti kullanımıyla OSB tanımlamasına yönelik yeni bir çerçeve önerilmiş ve değerlendirilmiştir. Öznelere özgü fonksiyonel bağlantı ağları, yalancı bağlantıları azaltırken bireysel ağ tahminine olanak tanıyan seyrek fonksiyonel beyin bağlantı modeli Lean-NET kullanılarak oluşturulmuştur. Bu öğrenilen ağlardan, beyin bağlantısallığının bölgesel topolojik özelliklerini nicelendirmek amacıyla yerel grafik-teorik metrikler çıkarılmıştır. İstatistiksel olarak anlamlı özellikler Welch'in t-testi kullanılarak belirlenmiş, ardından çoklu karşılaştırmaların etkisini kontrol etmek için Hata Keşif Oranı (FDR) düzeltmesi uygulanmıştır. Elde edilen düşük boyutlu ve istatistiksel olarak doğrulanmış özellik kümeleri daha sonra Destek Vektör Makineleri (Support Vector Machine, SVM) kullanılarak sınıflandırılmıştır. Deneysel sonuçlar, yerel olarak türetilmiş grafik metriklerinin ASD'li bireyler ile tipik gelişim gösteren (TD) bireyler arasında etkili bir ayrım sağladığını ve %71 ile %92 arasında değişen sınıflandırma doğrulukları elde edildiğini göstermektedir. Bu bulgular, fonksiyonel bağlantısallık analizinde grafik öğrenme temelli yaklaşımların potansiyelini vurgulamakta ve ASD'nin karakterizasyonunda seyrek ve yorumlanabilir ağ temsillerinin kullanılabilirliğini desteklemektedir
Özet (Çeviri)
Autism spectrum disorder (ASD) is a neurodevelopmental condition characterized by persistent impairments in social interaction and communication, accompanied by atypical and restricted behavioral patterns. Individuals affected by ASD often appear socially withdrawn, display altered sensory processing, and exhibit particular sensory reactions that distinguish them from typically developing populations. According to the World Health Organization, the global prevalence of autism has shown a persistent increase, with approximately 1 in 127 individuals affected worldwide, underscoring the growing need for reliable and objective neuroimaging-based biomarkers to support early detection and characterization. In this context, the present study contributes to ongoing research efforts by providing a comprehensive analysis of functional connectivity patterns for ASD prediction using resting-state functional magnetic resonance imaging (rs-fMRI) data. Specifically, a novel framework for ASD identification is proposed and evaluated using data from the ABIDE II dataset, with a focus on functional brain networks derived from blood-oxygen-level-dependent (BOLD) signals. Subject-specific functional connectomes are constructed using the sparse functional brain connectome model, Lean-NET, which enables individualized network estimation while reducing spurious connections. From these learned networks, local graph-theoretical metrics are extracted to quantify region-specific topological properties of brain connectivity. Statistically significant features are identified through Welch's t-test, followed by False Discovery Rate (FDR) correction to control for multiple comparisons. The resulting low-dimensional and statistically validated feature sets are subsequently classified using a Support Vector Machine (SVM). Experimental results demonstrate that locally derived graph metrics provide effective discrimination between individuals with ASD and typically developing (TD) subjects, achieving classification accuracies ranging from 71% to 92%. These findings highlight the potential of graph learning–based approaches for functional connectivity analysis and support the utility of sparse, interpretable network representations in the characterization of ASD.
Benzer Tezler
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Otizm spektrum bozukluğunun fonksiyonel manyetik rezonans görüntülerine dayalı makine öğrenmesi teknikleri ile teşhisi
Diagnosis of autism spectrum disorder with machine learning techniques based on functional magnetic resonance images
MUHAMMED ALİ BAYRAM
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBandırma Onyedi Eylül ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FEYZULLAH TEMURTAŞ
DOÇ. DR. İLYAS ÖZER
- Otizm spektrum bozukluğunun klinik tanısında DSM-IV-TR ve DSM-5 tanı sistemlerinin karşılaştırılması
The comparison of DSM-IV-TR and DSM-5 diagnostic classifications in the clinical diagnosis of autistic spectrum disorder
FERHAT YAYLACI
Tıpta Uzmanlık
Türkçe
2015
PsikiyatriDokuz Eylül ÜniversitesiÇocuk ve Ergen Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. SUHA MİRAL
- Otizm spektrum bozukluğunun bağırsak bakteri florası (mikrobiyota) ile ilişkisinin araştırılması
A study of the relationship betweeen Gut Microbiota and Autism Spectrum Disorders
GÜLSÜM YİTİK
Tıpta Uzmanlık
Türkçe
2019
PsikiyatriAtatürk ÜniversitesiÇocuk Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. ONUR BURAK DURSUN
- Çocuklarda otizm spektrum bozukluğunun M-CHAT (modified checklist for autism in toddlers/ değiştirilmiş erken çocukluk dönemi otizm tarama ölçeği) ve TIDOS (three-item direct observation screen/ üç maddelik direk gözlemsel tarama) tarama testleri ile değerlendirilmesi
Çocuklarda otizm spektrum bozukluğunun M-CHAT (modified checklist for autism in toddlers/ değiştirilmiş erken çocukluk dönemi otizm tarama ölçeği) ve TIDOS (three-item direct observation screen/ üç maddelik direk gözlemsel tarama) tarama testleri i̇le değerlendirilmesi
SEDA TOPÇU
Yüksek Lisans
Türkçe
2017
Çocuk Sağlığı ve HastalıklarıAnkara ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. BETÜL ULUKOL