Derin öğrenme ile Parkinson hastalığının sınıflandırılması
Classification of Parkinson's disease with deep learning
- Tez No: 603321
- Danışmanlar: DR. ÖĞR. ÜYESİ LALE ÖZYILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 61
Özet
Parkinson hastalığı modern dünya yaşam tarzı sebebiyle geniş kitlelere yayılmıştır. Bu hastalık ileri yaşlardaki kişilerde daha sık görülmektedir ve kişinin konuşma becerisinin kısıtlanmasına, el hareketlerinde titremeye ve genel olarak hareket ve kas problemlerine sebep olmaktadır. Parkinson hastalığı hasta kişilerin yaşam standartlarını düşürür ve doğal olarak onların ailelerinin de yaşam tarzını etkiler. Dünya genelinde 10 milyonu aşkın Parkinson hastası bulunnmaktadır. Bu kişilerin çoğu fiziksel olarak iyi bir seviyede olmadıkları için noninvazif hastalık teşhisi yöntemleri onlar için daha uygundur. Parkinson alanındaki kliniklerde en yaygın noninvazif yöntemlerinden biri ise el yazısı testidir. Bu noninvazif yöntemlerle toplanan veri setlerinin genelde makine öğrenmesi ile analiz edilmesi uygun olmaktadır. Bu sebeple Parkinson hastalığı teşhisi literatüründe farklı tekniklerle yapılmış bir çok çalışma bulunmaktadır. Makine öğrenme tekniklerinin ve parametre optimizasyonun belirli bir kuralı olmadığından çoğu zaman deneme yanılma yöntemi ile cevaba ulaşılmaktadır. Bu yüzden farklı yaklaşımlar içeren deneyler, literatürü zenginleştirip geliştirmektedir. Bu tezde iki farklı veri seti üzerinde çalışmalar yapılmıştır ve genel olarak evrişimsel sinir ağlarının (CNN-Convolutional Neural Network) sınıflandırma işleminde genelleştirme başarısı incelenmiştir. Veri setleri iki farklı ülkede ve farklı şartlarda toplanıldığından, aynı modelin bu iki farklı durumda nasıl performans göstereceği, genelleme becerisi için mantıklı bir parametre olacaktır. Ayrıca bu araştırmada evrişimsel sinir ağları, destek vektör makinesi (SVM- Support Vector Machine) ve Naive Bayes gibi algoritmalarla karşılaştırılmıştır. Klasikleşmiş makine öğrenmesi algoritmalarının sadeliği ve işlevselliği ile CNN'nin öğrenme kabiliyetini bahsedilen veri setlerinde karşılaştırmak ve araştırmak bu çalışmanın temel amaçlarındandır. Cerrahpaşa tıp fakültesinde toplanan veri setinden öznitelik görüntüleri çıkartma işlemi geliştirilip farklı sınıflandırıcılarla deneyler yapılmıştır. Yapılan araştırma sonucunda yenilikçi DST'nin (Dinamik Spiral Testi) Parkinson hastalığı teşhisinde önemli rol oynayabileceği görülmüştür. Bu veri setinde verilerin %75'i eğitim ve %25'i test verisi olarak alındığında CNN ağında %88'lik başarı yüzdesi elde edilmiştr. São Paulo üniversitesi veri setinde ise bu veri setini toplayan ve geliştiren ekibin yayınındaki sonuçlar referans alınarak, bu sonuçları geliştirme yolları araştırılmıştır. SVM ve NB sonuçları birebir karşılaştırıldığında referans çalışmanın sonuçlarından daha başarılı sonuçlar elde edildiği görülmüştür. Ayrıca CNN tabanlı sınıflandırıcı ile spiral ve labirent görüntülerde ortalama %80 başarı sağlanmıştır. Sonuç olarak bu çalışma, derin öğrenme ile Parkinson hastalığı teşhisinde efektif sonuçlar elde edileceğini desteklemektedir.
Özet (Çeviri)
Parkinson's disease has spread to worldwide due to modern world lifestyle. Parkinson's disease is more common in older people. This disease leads to the limitation of the person's speaking skills, tremors in hand movements and movement and muscle problems in general. Parkinson's disease reduces the standard of living of sick people and naturally affects their families. There are more than 10 million patients with Parkinson's disease worldwide. Because most of these people are not physically at a good level, non-invasive methods are more suitable for them. One of the most common non-invasive methods in clinics in the Parkinson area is the handwriting test. The data sets collected by these non-invasive methods are generally suitable for analyzing by machine learning techniques. For this reason, there are many studies conducted in the literature of the diagnosis of Parkinson's disease by different techniques. Since there is no specific rule of machine learning techniques and parameter optimization, it is often to use the trial and error approach. Therefore, experiments with different approaches will enrich and improve the literature. In this thesis, two different datasets have been studied and generalization success in the classification process of convolutional neural networks has been investigated. Since data sets are collected in two different countries and under different conditions, how the same model will perform in these two different situations will be a suitable parameter for the generalization ability. In addition, this study contains compression of algorithms such as convolutional neural networks, support vector machine and naive bayes. One of the main purposes of this study is to compare the simplicity and functionality of conventional machine learning algorithms to CNN's learning ability in the mentioned datasets. In the data set collected in Cerrahpaşa Medical Faculty, feature images extraction methods were designed and experiments were performed with different classifiers. As a result of the research, it was seen that innovative DST test could play an important role in the diagnosis of Parkinson's disease. In %75 training and %25 test data range of the data set, CNN model reached to %88 classification accuracy. In São Paulo University data set, the previous researches on this dataset considered as reference results; which is done by collecting and developing team of this data set. The way of developing these results were researched in this thesis. When the results of SVM and NB were compared, it was found that the results of this study were more successful. In addition, an average %80 classification accuracy was achieved in spiral and meander images with CNN-based classifier. In conclusion, this study supports effective results in the diagnosis of Parkinson's disease with deep learning.
Benzer Tezler
- Classification of Parkinson's disease using deep learning techniques on finger, hand and tremor data
Derin öğrenme teknikleri kullanarak parmak, el ve titreme verileriyle Parkinson hastalığının sınıflandırılması
BEYZA GÜL
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
PROF. DR. BAHADIR KÜRŞAT GÜNTÜRK
- Parkinson hastalarının dikkat fonksiyonlarına ait beyin aktivasyonlarının fonksiyonel MRG ile incelenmesi ve evrişimsel sinir ağları ile sınıflandırılması
Analysis of the brain activations of attention functions of Parkinson patients with functional MRI and classification with conventional neural networks
NUR YILMAZ
Yüksek Lisans
Türkçe
2022
BiyomühendislikSelçuk ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜZİN ÖZMEN
- Parkinson hastalığında ses verileri ile yapılan tanıların başarı oranının incelenmesi
Research of the success rate of diagnosis made by voice data in Parkinson's disease
RUMEYSA KAYACIOĞLU
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT KAÇAR
- Derin öğrenme modelleri ile parkinson hastalığının teşhisinde transfer öğrenme tekniğinin etkinliğinin araştırılması
Investigating of the effectiveness of transfer learning technique in the diagnosis of parkinson's disease using deep learning models
ECEM ZORA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET DİKMEN
- Parkinson hastalığının teşhisinde derin öğrenme yöntemi ile spect görüntü analizi
Spect image analysis with deep learning method for diagnosis of parkinson's disease
OKAN ALKAN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAğrı İbrahim Çeçen ÜniversitesiMatematik Ana Bilim Dalı
DOÇ. DR. AYTÜRK KELEŞ