HYBRID ENSEMBLE DEEP LEARNING FRAMEWORK WITH SNAKE AND EVO OPTIMIZATION FOR MULTICLASS CLASSİFİCATION OF ALZHEIMER'S DISEASE USING MRI NEUROIMAGING
MRI NÖROGÖRÜNTÜLEME KULLANILARAK ALZHEIMER HASTALIĞININ ÇOK SINIFLI SINIFLANDIRILMASI İÇİN SNAKE VE EVO OPTİMİZASYONLU HİBRİT TOPLULUK DERİN ÖĞRENME ÇERÇEVESİ
- Tez No: 1020998
- Danışmanlar: DOÇ. DR. OĞUZ ATA, DOÇ. DR. SEFER KURNAZ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Alzheimer hastalığı (AD), erken ve doğru teşhisin klinik yönetim ve müdahale planlamasında hayati önem taşıdığı ilerleyici bir nörodejeneratif durumdur. Önerilen tez, yapısal MRI verilerine dayalı olarak AD şiddet seviyelerinin çoklu sınıflandırılmasına yönelik derin öğrenme (DL) modelini içerecektir; bu modelde ND, VMD, MD ve MMD olmak üzere dört klinik olarak önemli seviye bulunmaktadır. Model, çeşitli evrişimsel ve transformatör tabanlı ağları birleştirir ve ayrıca Snake+EVO'yu birleştiren yeni bir hibrit hiperparametre arama parametresi sunar. Bu hibrit yaklaşımda, arama alanında keşif ve sömürü arasındaki denge iyileştirilir; bu da Genetik Algoritmalar ve Parçacık Sürü Optimizasyonu gibi geleneksel optimizasyon tekniklerinden daha iyidir. Performans ve genelleştirilebilirliği test etmek için halka açık bir veri kümesi (OASIS/ADNI) ve Libya'daki bir hastanenin özel klinik MRI veri kümesi üzerinde kapsamlı deneyler yapılmıştır. Optimize edilmiş CNN ve MobileNet modelleri en iyi sonuçları vermiştir; Snake+EVO ile optimize edilmiş CNN modeli özel veri kümesinde %99,81 doğruluk oranına ulaşmış ve halka açık kıyaslamalarda da iyi performans göstermiştir. Topluluk öğrenimi, tamamlayıcı model tahminlerinin birleşimi yoluyla sağlamlığı da artırarak istikrarlı ve çok güvenilir sınıflandırma sonuçları sağladı. Önerilen modellerin tutarlılığı ve gücü, istatistiksel anlamlılık testi ve beş katlı çapraz doğrulama ile doğrulandı ve Grad-CAM görselleştirmesinin yorumlanabilirliği klinik olarak ilgiliydi ve kortikal atrofi ve ventriküler genişleme dahil olmak üzere anatomik biyobelirteçleri yansıttı. Bulgular, hibrit optimizasyon ve topluluk öğreniminin tanı performansını, bilgisayar verimliliğini ve yorumlamayı önemli ölçüde iyileştirdiğini ve önerilen yapıyı Alzheimer hastalığının evrelemesinde umut vadeden bir yapay zeka destekli yöntem haline getirdiğini göstermektedir. Bununla birlikte, 2D dilim tabanlı eğitim ve boylamsal modelleme eksikliğinden kaynaklanan kullanım kısıtlamaları, gelecekteki iyileştirmeler için fırsatlar sunmaktadır. Daha fazla araştırma, prognostik özellikleri geliştirmek ve bireylerde müdahale stratejileri geliştirmeye yardımcı olmak için 3D hacimsel görüntüleme, çok modlu veri füzyonu, transformatör tabanlı mimariler ve hastalık ilerlemesinin dinamik modellemesi üzerine odaklanacaktır. Özetle, bu tez, yapay zekanın nörodejeneratif hastalık teşhisindeki rolünü daha da geliştirecek olan, Alzheimer hastalığının otomatik sınıflandırılmasına yönelik sağlam, yorumlanabilir ve klinik olarak uygulanabilir (DL) bir model sunacaktır.
Özet (Çeviri)
Alzheimer disease (AD) is a progressive neurodegenerative condition when early and proper diagnosis is vital in clinical management and intervention planning. The proposed thesis will be a deep learning (DL) model of multiclassification of levels of AD severity based on structural MRI data, with four clinically significant levels, which include ND, VMD, MD, and MMD. The model combines various convolutional and transformer-based networks and also presents a new hybrid hyperparameter search parameter that mixes Snake+EVO. The balance between exploration and exploitation is improved in the search space in this hybrid approach, which is better than traditional optimization techniques like Genetic Algorithms and Particle Swarm Optimization. There were extensive experiments on a public dataset (OASIS/ADNI) and a private clinical MRI dataset of a Libyan hospital to test the performance and generalizability. The optimized CNN and MobileNet models provided the state of the art results, where the Snake+EVO-optimized CNN model reached the accuracy of 99.81% on the personal dataset and performed well on the public benchmarks. Ensemble learning also enhanced the robustness through a combination of complementary model predictions, which provided stable and very reliable classification results. The consistency and strength of the proposed models were validated by statistical significance testing and five-fold cross-validation, and the interpretability of the Grad-CAM visualization was clinically relevant and reflected anatomical biomarkers, including cortical atrophy and ventricular enlargement. The findings indicate that hybrid optimization and ensemble learning significantly improve diagnostic performance, computer efficiency, and interpretation and make the proposed structure a promising AI-assisted method in staging Alzheimer disease. However, the constraints of use due to 2D slice-based training and lack of longitudinal modeling reflect opportunities of future improvements. Further research will focus on 3D volumetric imaging, multimodal data fusion, transformer-based architectures, and dynamic modeling of disease progression to enhance the prognostic properties and assist in developing intervention strategies in individuals. All in all, the given thesis will provide a solid, interpretable, and clinically applicable (DL) model of automated Alzheimer disease classification, which will further develop the role of artificial intelligence in neurodegenerative disease diagnostics.
Benzer Tezler
- Hybrid deep learning approach for multiclass prediction offintech startups
Fintech girişimlerinin çok sınıflı tahmini için hibrit derin öğrenme yaklaşımı
MORTEZA ROKHASHMAH
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı
DOÇ. DR. CUMHUR EKİNCİ
- Automatic modulation classification with machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımları ile otomatik modülasyon sınıflandırması
AKİL KUTLU
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA YILMAZ
- Early prediction of probability of collision for LEO satellites using an ensemble learning with unscented transform based dataset generation from conjunction data messages
Yakınlaşma veri mesajlarından unscented transform tabanlı veri seti üretimi ile ensemble öğrenme kullanılarak LEO uyduları için çarpışma olasılığının erken tahmini
RABİA TÜYLEK TOK
Yüksek Lisans
Türkçe
2026
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiFizik Mühendisliği Ana Bilim Dalı
PROF. DR. EMRE ONUR KAHYA
DR. BURAK YAĞLIOĞLU
- Deep learning approaches for autism spectrum dis-order diagnosis: Ensemble archtectures and multi-modal analysis
Otizm spektrum bozukluğu teşhisi için derin öğrenme yaklaşımları: Topluluk mimarileri ve multimodal analiz
ASSIL JABY
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiYapay Zeka Ana Bilim Dalı
PROF. DR. MD BAHARUL ISLAM
- X-ışını görüntülerinde pediatrik el bileği patolojilerinin tespiti ve sınıflandırılması için hibrit bir derin öğrenme yaklaşımı
A hybrid deep learning approach for detection and classification of pediatric wrist pathologies in X-ray images
ELİF MERVE ERZEN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERTAN BÜTÜN
DR. ÖĞR. ÜYESİ MUGAHED A. AL-ANTARI