Classification of mild cognitive impairment and dementia in Alzheimer's disease using spatio-temporal convolutional neural network (CNN) method
UZAM-zaman evrişimli sinir ağları yöntemi ile hafıf kognitif bozulma ve Alzheimer'a bağlı demans sınıflandırması
- Tez No: 637333
- Danışmanlar: PROF. DR. HALUK KÜÇÜK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Makine öğrenmesi metodları gelişimi, son zamanlarda Alzheimer Hastalığı tanısının erken teşhişinde belirgin şekilde hızlanmıştır. Bu çalışmada; manyetik rezonans görüntüleri (MRI) üzerinden Alzheimer hastalığını (AD) hafif kognitif bozukluktan (MCI) ayırmak için bir (2+1) boyutlu evrişimsel sinir ağları yapısı önerilmiştir. AD ve MCI görüntüleri Alzheimer's Disease Neuroimaging Initiative (ADNI) veritabanından alınmıştır. Bilgisayarlı deneylerde 223 Alzheimer hastasından alınmış 526 görüntü ve 204 hafif kognitif bozukluk hastasından alınmış 526 görüntü kullanılmıştır. Bu çalışmada; 2 boyutlu, 3 boyutlu ve (2+1) boyutlu evrişimsel sinir ağları modellerinin sonuçları ve hızları karşılaştırılmıştır. Evrişimsel sinir ağları algoritması mimariye bağlı olarak, 16 ilâ 24 evrişimsel sinir katmanı, ardından 4 ortaklama katmanı ve 3 tam bağlantılı katman gelecek şekilde birleştirmiştir. (2+1) boyutlu evrişimsel sinir ağı modeli, 0.94 doğruluk oranıyla en iyi sınıflandırmaı performansını göstermiştir. Buna ek olarak, klasik 3 boyutlu modellerle kıyaslandığında 2 kat daha hızlı çalışmıştır.
Özet (Çeviri)
Development of machine learning algorithms have recently gained a significant pace in early diagnosis of Alzheimer's disease (AD). In this study, a (2+1)D convolutional neural network (CNN) architecture has been proposed to distinguish AD from mild cognitive impairment (MCI) based on structural magnetic resonance imaging (MRI). MRI scans of AD and MCI subjects were procured from the Alzheimer's Disease Neuroimaging Initiative (ADNI) database. 526 scans of 223 AD patients and 526 scans of 204 MCI patients were obtained for the computational experiments. In this study, the outcome and robustness of 2D convolutions, 3D convolutions and (2+1)D convolutions were compared. The CNN algorithms incorporated 16 to 24 convolutional layers, depending on the architecture, followed by 4 pooling layers and 3 fully connected layers. (2+1)D convolutional neural network model resulted in the best classification performance with 0.24 test loss and 0.94 accuracy rates, in addition to an almost two times faster convergence compared to classical 3D CNN methods.
Benzer Tezler
- Makine öğrenmesi ile hafif bilişsel bozukluk ve alzheimer demansı sınıflandırmasında F-18 FDG PET/BT ve medial temporal atrofi skorlarının tanısal değeri
Machine learning-based classification of mild cognitive impairment and alzheimer's dementia: Diagnostic value of F-18 FDG PET/CT and medial temporal atrophy scores
AYŞE RANA ÖVÜT
- Sağlıklı, hafif bilişsel bozukluk ve alzheimer hastalığı elektroensefalografi sinyallerinin sınıflandırılması
Classification of healthy, mild cognitive impairment and alzheimer's disease electroencephalography signals
BURCU OLTU
- A novel model for early diagnosis of the alzheimer's disease converted from mild cognitive impairment
Hafif bilişsel bozukluktan doğan alzheımer hastalığının erken teşhisi için yeni model
PINAR KARADAYI ATAŞ
- Investigating conversion from mild cognitive impairment toAlzheimer's disease using latent space manipulation
Saklı uzay manipülasyonu kullanarak hafif bilişsel bozukluktan Alzheimer hastalığına dönüşümün incelenmesi
DENİZ SEZİN AYVAZ
- Yaşlı bireylerde spontan EEG metrikleriyle veri temelli etiketsiz nörofizyolojik sınıflama ve bilişsel rezervin sosyodemografik yansımaları
Data-driven unsupervised neurophysiological classification using spontaneous EEG metrics in older adults and the sociodemographic correlates of cognitive reserve
RÜMEYSA KAHVECİ
Yüksek Lisans
Türkçe
2026
İstanbul Medipol ÜniversitesiSinir Bilim Ana Bilim Dalı (disiplinlerarası)
Yükleniyor...
