Geri Dön

Fonksiyonel MR görüntülerini filtrelemede yeni bir yaklaşım ve depresyon hastalarının sınıflandırılması üzerine etkileri

A new approach for denoising functional MR images and its effects on the classification of depression patients

  1. Tez No: 499534
  2. Yazar: GÜZİN ÖZMEN
  3. Danışmanlar: DOÇ. DR. SERAL ÖZŞEN
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 159

Özet

Bu çalışmada Fonksiyonel Manyetik Rezonans (fMR) görüntülerinin filtrelenmesi için 3-Boyutlu Ayrık Dalgacık Dönüşümü (3B-ADD)' ne dayanan bir filtreleme yöntemi geliştirilmiştir. Veri tabanlarından alınan görüntülerin yanında bu tez çalışması için geliştirilen ve 20 depresyon hastası ile 20 sağlıklı denekten görsel-uyaranlı deney paradigması kullanılarak kayıt edilen fonksiyonel MR görüntüleri kullanılmıştır. Öncelikle, fMR görüntülerine standart önişleme adımları olan yeniden hizalama, bağdaştırma ve normalizasyon işlemleri uygulanmıştır. Daha sonra geliştirilen Ağırlıklı-3B-ADD ve Bulanık-Ağırlıklı-3B-ADD yöntemlerinin filtreleme performansları Gaussian yumuşatma ve 3B-ADD yöntemleri ile Ortalama Karesel Hata (OKH), Tepe Sinyal Gürültü Oranı (TSGO) ve Yapısal Benzerlik İndeksi (YBİ) kullanılarak karşılaştırılmıştır. Filtrelenen fMR görüntülerine özellik çıkarmak amacıyla istatistiksel analiz uygulanmış ve her bir denek için beyin aktivasyon haritası elde edilmiştir. Özellik çıkarma aşamasından sonra boyut azaltmak için kesit bazlı bir özellik seçme yöntemi önerilmiştir. fMR görüntüleri üzerinde düşük OKH ve yüksek TSGO sağlayan Ağırlıklı-3B-ADD yönteminin Destek Vektör Makineleri, k- En Yakın Komşu, Naive Bayes ve Rastgele Orman sınıflandırıcıları kullanılarak depresyon hastalarının sınıflandırılması üzerindeki başarısı araştırılmıştır. Sonuçta Ağırlıklı-3B-ADD ile filtrelenmiş ve kesit bazlı özellik seçme yöntemi ile veri boyutu azaltılmış fMR görüntüleri ile depresyon hastalarının sınıflanmasında Rastgele Orman sınıflandırıcısı kullanılarak 10-kat çapraz doğrulama ile % 97,3 sınıflama doğruluğu elde edilmiştir.

Özet (Çeviri)

In this study, a denoising method based on 3-Dimensional Discrete Wavelet Transform was developed to filter Functional Magnetic Resonance (fMR) images. In addition to images obtained from databases, functional MR images which were recorded from 20 depression patient and 20 healthy subjects by using visual stimulus experimental paradigm which was developed for this thesis were used to evaluate the performance of denoising methods. Primarily standard preprocessing steps which are realignment, coregistration and normalization were applied to fMR images. Then, denoising performance of developed methods which are weighted-3D-DWT and fuzzy-weighted-3D-DWT was compared with Gaussian smoothing and 3D-DWT by using Mean Square Error (MSE), Peak Signal Noise Ratio (PSNR) and Structural Similarity Index Measurement (SSIM). Statistical analysis was performed to extract features of the denoised fMR images and brain activation map was obtained for each subject. After feature extraction, a slice-based feature selection method was proposed which uses Principle Component Analysis (PCA) to reduce the dimension. The success of the Weighted-3D-DWT method, which provides low MSE and high PSNR on fMR images on Support Vector Machines, k-Nearest Neighbour, Naive Bayes and Random Forest classifiers has been investigated. In conclusion, fMR images denoised with the Weighted-3D-DWT and of which features were reduced by slice based feature selection method provided the most successful results for classifying depression patients with 97.3% classification accuracy using the Random Forest classifier with 10-fold cross-validation.

Benzer Tezler

  1. Makine öğrenmesi yöntemleriyle bel bölgesi rahatsızlıklarının tanısı

    Diagnosis of lumbar disease by using machine learning techniques

    YAVUZ ÜNAL

    Doktora

    Türkçe

    Türkçe

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. HASAN ERDİNÇ KOÇER

    DOÇ. DR. KEMAL POLAT

  2. Hiperpolarize Ksenon-129 Kullanarak Manyetik Rezonans Görüntülemede Spiral K-uzayı Artefaktlarının Giderilmesi ve Darbe Sekansı Stratejilerinin Geliştirilmesi

    Reconstruction of Spiral K-Space Artefacts and Improving Pulse Sequence Strategies in Magnetic Resonance Imaging Using Hyperpolarized Xenon-129

    ÖZGÜN BORAY YURDAKOŞ

    Doktora

    Türkçe

    Türkçe

    2024

    Bilim ve TeknolojiEge Üniversitesi

    Temel Onkoloji Ana Bilim Dalı

    DOÇ. DR. ÖZKAN DOĞANAY

  3. Development of a visualization and fuctional analysis software platform for cardiac MR imaging

    Kardiyak MR görüntüleme için bir görüntüleme ve fonksiyonal analiz yazılımı geliştirilmesi

    OZAN KEMAL ERCİYAS

    Yüksek Lisans

    İngilizce

    İngilizce

    2004

    Tıbbi BiyolojiBoğaziçi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CENGİZHAN ÖZTÜRK

  4. 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

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. DURSUN ZAFER ŞEKER

  5. Magnetik rezonans sürecinin zaman domeninde sonlu fark yaklaşımları ile incelenmesi

    Investigation of magnetic resonance process by finite difference approaches in time domain

    DUYGU TUNCAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2005

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF.DR. TANER ŞENGÖR