İstatistiksel öğrenme yöntemleri ile MRG verilerinden beyin yaşı tahmini
Brain age estimation from MRI data using statistical learning methods
- Tez No: 1018536
- Danışmanlar: DR. ÖĞR. ÜYESİ BİLGE ÖZLÜER BAŞER
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Mimar Sinan Güzel Sanatlar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beyin yaşlanması; nörodejeneratif hastalıkların erken teşhisi ve bireysel sağlık takibi açısından kritik bir süreçtir. Yapısal MRG verilerinden hesaplanan beyin yaşı, sağlıklı yaşlanma örüntülerinin modellenmesinde ve Alzheimer Hastalığı (AH) ile Hafif Bilişsel Bozukluk (HBB) için güçlü bir biyobelirteç olarak öne çıkmaktadır. Literatürdeki yöntemlerin büyük çoğunluğu gri madde hacmini (GMV) bölgesel ortalamalar üzerinden değerlendirmekte; bu durum voksel düzeyindeki bilginin yitirilmesine ve yorumlanabilirliğin zayıflamasına yol açmaktadır. Ayrıca yüksek boyutlu görüntüleme verilerinin paylaşımı gizlilik açısından önemli riskler doğurmaktadır. Bu çalışma kapsamında, CAT12 ile ön işlenmiş T1 ağırlıklı MRG verilerinden atlas tabanlı voksel özellikleri çıkaran ve iki kademeli Yığınlama Topluluğu (Stacking Ensemble) yaklaşımını destekleyen modüler bir yazılım aracı geliştirilmiştir. Sistem; AIBL, DLBS, GSP, IXI, NKI, OASIS ve SALD olmak üzere yedi çok merkezli veri setiyle uyumlu biçimde çalışacak şekilde tasarlanmış, kapsamlı değerlendirmeler IXI veri seti üzerinde gerçekleştirilmiştir. Yöntemde Schaefer-800, Brainnetome ve beyincik atlaslarının birleşiminden türetilen 870 bölgeli çoklu atlas şeması kullanılmıştır. Her bölge için bağımsız bir ElasticNet modeli (L0) tanımlanmış; bölgesel çıktılar bir meta-model (L1) aracılığıyla birleştirilerek nihai tahmin mimarisi oluşturulmuştur. Model performansı iç içe geçmiş 5 katlı çapraz doğrulama ile değerlendirilmiştir. IXI veri seti üzerinde gerçekleştirilen analizlerde (N = 563, yaş aralığı: 20,0–86,3 yıl) 870 bölgeli model MAE = 4,89 yıl ve R² = 0,808 performansı elde etmiştir. Bölge sayısının modele katkısını incelemek amacıyla 10, 100 ve 870 bölgeli modeller karşılaştırılmış; bölge sayısı arttıkça tahmin doğruluğunun belirgin biçimde iyileştiği gözlemlenmiştir. Fold bazlı sonuçlar 4,11 ile 5,70 yıl arasında değişen MAE değerleriyle tutarlı bir performans ortaya koymuştur. Çok merkezli veri setlerini kapsayan geniş ölçekli model eğitimi için gerekli hesaplama altyapısı kurulmuş ve işlem hattının uygulanabilirliği doğrulanmıştır; büyük ölçekli model eğitimi çalışmaları devam etmektedir. Klinik değerlendirme kapsamında ADNI kohortunda 10 ve 100 bölgeli modeller için ön analizler gerçekleştirilmiş; her iki modelde de üç klinik grup arasında beyin yaşı farkı açısından istatistiksel olarak anlamlı farklılıklar gözlemlenmiştir (p<0.001). 870 bölgeli model için bu analiz gelecek çalışmalar kapsamında planlanmıştır. Elde edilen bulgular, bölge bazlı yığınlama yaklaşımının geleneksel GMV yöntemlerine kıyasla yorumlanabilirlik ve gizlilik açısından avantaj sağlayabileceğini göstermektedir. Ham veri yerine yalnızca bölgesel tahminlerin iletilmesi, çok merkezli araştırma ortamlarında veri gizliliği risklerini azaltma potansiyeli taşımaktadır. Geliştirilen modüler yazılım aracı, farklı veri setleri ve hesaplama altyapılarıyla uyumlu yapısı sayesinde gelecekte daha kapsamlı deneyler ve klinik uygulamalar için genişletilebilir bir altyapı sunmaktadır.
Özet (Çeviri)
Brain aging is a critical process for the early diagnosis of neurodegenerative diseases and individualized health monitoring. Brain Age, estimated from structural MRI data, has emerged as a powerful biomarker for modeling healthy aging patterns as well as for Alzheimer's Disease (AD) and Mild Cognitive Impairment (MCI). Most approaches in the literature evaluate gray matter volume (GMV) using regional averages, which may lead to the loss of voxel-level information and reduced interpretability. Furthermore, the sharing of high-dimensional neuroimaging data introduces significant privacy concerns. Within the scope of this study, a modular software framework was developed to extract atlas-based voxel features from CAT12-preprocessed T1-weighted MRI scans and to support a two-stage Stacking Ensemble approach. The system was designed to operate on seven multicenter datasets — AIBL, DLBS, GSP, IXI, NKI, OASIS, and SALD — with comprehensive evaluations conducted on the IXI dataset. The proposed methodology employed a multi-atlas scheme consisting of 870 regions derived from the combination of the Schaefer-800, Brainnetome, and cerebellar atlases. An independent ElasticNet model (L0) was defined for each region, and the regional outputs were integrated through a meta-model (L1) to construct the final prediction architecture. Model performance was evaluated using a nested 5-fold cross-validation framework. Analyses conducted on the IXI dataset (N = 563, age range: 20,0–86,3 years) yielded a MAE of 4,89 years and an R² of 0,808 for the 870-region model. To assess the contribution of atlas granularity, models with 10, 100, and 870 regions were compared; prediction accuracy improved substantially as the number of regions increased. Fold-level results demonstrated consistent performance, with MAE values ranging from 4,11 to 5,70 years across folds. The computational framework necessary for large-scale model training across multi-center datasets has been successfully established, and the feasibility of the proposed processing pipeline has been demonstrated. Large-scale model development and training are currently in progress. Preliminary clinical analyses were conducted on an independent ADNI cohort using the 10- and 100-region models; statistically significant brain age gap differences were observed across the three diagnostic groups (p<0.001). Clinical validation using the 870-region model is planned as a priority for future work. The preliminary findings suggest that the region-based stacking approach may offer advantages in terms of interpretability and privacy preservation compared with conventional GMV-based methods. Transmitting only regional predictions rather than raw imaging data has the potential to reduce privacy-related risks in multicenter research settings. Owing to its modular and dataset-independent design, the developed framework provides an extensible infrastructure for future large-scale experiments and potential clinical applications.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Image reconstruction with deep learning and applications in MR images
Derin öğrenme ile görüntü geriçatımı ve MR görüntülerinde uygulamaları
AMIR AGHABIGLOU
Doktora
İngilizce
2022
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Bir ve iki boyutlu biyomedikal işaretlerin DCT tabanlı analizi
DCT based analysis of 1D and 2D biomedical signal
FATMA DEMİREZEN YAĞMUR
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SERTBAŞ
- Meme MRG'de saptanan kitle dışı kontrastlanmaların benign ve malign ayrımında radyolojik bulgularla doku analizi bulgularının makine öğrenimi yöntemleriyle değerlendirilmesi ve segmentasyon tabanlı 3 boyutlu evrişimsel sinir ağlarıyla karşılaştırılması
Evaluation of radiological and texture analysis findings using machine learning methods in the differentiation of benign and malignant non-mass enhancements detected on breast MRI and comparison with segmentation-based three dimensional convolutional neural networks
SERHAT AKIŞ
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpDokuz Eylül ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. PINAR BALCI
- Dinamik kontrastlı meme MR görüntülemede radyomiks analizleri ve yapay zeka kullanılmasıyla meme kanseri subtiplerinin belirlenmesi
Determination of breast cancer subtypes using radiomics analyses and artificial intelligence in dynamic contrast-enhanced breast MRI
ÇAĞIN HÜRYOL
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. AYŞEGÜL AKDOĞAN GEMİCİ