Geri Dön

Visualization of deep networks trained for bipolar disorder classification by using fNIRS measurements

Bipolar hastalığı sınıflandırması için fNIRS ölçümleri kullanılarak eğitilmiş derin ağların görselleştirilmesi

  1. Tez No: 664514
  2. Yazar: OĞUZHAN BABACAN
  3. Danışmanlar: PROF. DR. İLKAY ULUSOY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 89

Özet

Derin öğrenme uygulamaları, hastalıkların sınıflandırılması, bir tedavinin etkileri veya bir hastalığın belirlenmemiş semptomları gibi birçok tıbbi problem üzerinde etkileyici performanslar elde etmiştir. Modern derin öğrenme gelişimi bu alanlarda etkileyici olsa da çalışma prensiplerinin gerçek kavrayışı net değildir. Bu nedenle, derin öğrenme algoritmaları genellikle kara kutu terimiyle ilişkilendirilmiştir. Önceki çalışmaların çoğu, ağların başarılarına odaklanmış ve performanslarını doğruluk seviyeleri açısından hesaplamışlardır. Bununla birlikte, bu tez, sinirsel ağların iç çalışma mekanizmalarının sezgisel ve anlaşılır bileşenlere bölünmesine odaklanmaktadır ve bunların anlaşılmasını ve tıp uzmanlarının bakış açısından yorumlanmasını kolaylaştırmaktadır. Bu amaçla, önceden eğitilmiş Evrişimsel Sinir Ağları ve Artık Değerli Sinir Ağlarına sağlıklı ve bipolar olmak üzere iki sınıfın zaman serisi verileri olan Fonksiyonel Yakın Kızılötesi Spektroskopi (fNIRS) ölçümleri uygulanmış ve bunlara ait görselleştirme çıktıları elde edilmiştir. Bu çıktılar karmaşık zaman serisi verileri oldukları için ki-kare ve t-testleri gibi istatistiksel yöntemlerle analiz edilerek sağlıklı ve bipolar deneklerin kendi sınıflarına özgü iç özellikleri elde edilmiştir. Sonuçlar önceki tıbbi çalışmalarla karşılaştırılıp ve analiz edilerek sınıflandırma sonuçlarının ardındaki olası nedenler verilmiştir. Bu tezin katkısı, fNIRS verileri kullanılarak bipolar bozukluk sınıflandırması amacıyla eğitilmiş farklı sinir ağlarının görselleştirme sonuçları hakkında bir çıkarım sağlamaktır. Bu nedenle, bu çalışma tıp araştırmacıları ile derin öğrenme uzmanları arasındaki boşluğu doldurmaya çalışmaktadır.

Özet (Çeviri)

Deep learning applications have achieved impressive performances on many medical problems such as classification of disorders, effects of a treatment or unspotted symptoms of a disease, etc. While modern deep learning progress is impressive in such areas, genuine understandings of its working principles are not clear. For that matter, the term black box has often been associated with deep learning algorithms. The majority of previous studies have concentrated on networks' successes and have computed their performances in terms of accuracy levels. However, this thesis focuses on disintegrating the internal working mechanisms of neural networks into intuitive and understandable components. It makes them easy to understand and to interpret from medical experts' perspectives. With this purpose in mind, pre-trained Convolutional Neural Networks and Residual Neural Networks are utilized by using time-series neuroimaging data, i.e. Functional Near-Infrared Spectroscopy (fNIRS) measurements, belonging to two classes, namely healthy and bipolar, and their visualization outputs are attained. Since these outputs are complex time-series data, they are analyzed by statistical methods such as chi-square and t-tests so that the intrinsic features of healthy and bipolar subjects specific to their classes are obtained. Results are compared with previous medical studies and are analyzed so that potential reasons behind the classification results are provided. The contribution of this thesis is providing an inference about visualization outcomes of different neural networks, which are trained for the bipolar disorder classification using fNIRS data. Therefore, this study tries to fill the void between medical researchers and deep learning experts.

Benzer Tezler

  1. Crowd localization and counting via deep flow maps

    Derin öğrenme ile çıkarılan hareket haritaları kullanılarak nesne kalabalıklarının tespiti ve sayımı

    PEDRAM YOUSEFI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL

  2. Oküler hastalıkların sınıflandırılmasında derin konvolüsyonel sinir ağı modeli

    A deep convolutional neural network model for classification of ocular diseases

    BÜŞRA EMİR

    Doktora

    Türkçe

    Türkçe

    2021

    BiyoistatistikEskişehir Osmangazi Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    PROF. DR. ERTUĞRUL ÇOLAK

  3. Deep learning for prediction of drug-target interaction space and protein functions

    İlaç-hedef protein etkileşim uzayı ve protein fonksiyonlarının tahmini için derin öğrenme

    AHMET SÜREYYA RİFAİOĞLU

    Doktora

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET VOLKAN ATALAY

    PROF. DR. RENGÜL ÇETİN ATALAY

  4. Development of software tools for improved 1H magnetic resonance spectroscopic imaging

    İyileştirilmiş 1H manyetik rezonans spektroskopik görüntüleme için yazılım araçlarının geliştirilmesi

    SEVİM CENGİZ

    Doktora

    İngilizce

    İngilizce

    2022

    BiyomühendislikBoğaziçi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ESİN ÖZTÜRK IŞIK

  5. Transforming feedback control systems on whiteboard into Matlab via a deep learning based intelligent system

    Derin öğrenme tabanlı akıllı bir sistem ile beyaz tahtadaki geribeslemeli kontrol sistemlerinin Matlab ortamına aktarılması

    DORUKHAN ERDEM

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR