Geri Dön

Dikkat eksikliği hiperaktivite bozukluğunun makine ve derin öğrenme teknikleri ile tespiti

Detection of attention deficit hyperactivity disorder by machine and deep learning techniques

PDF İndir

  1. Tez No: 704560
  2. Yazar: GÜLAY ÇİÇEK
  3. Danışmanlar: PROF. DR. AYDIN AKAN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi-Cerrahpaşa
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Ana Bilim Dalı
  12. Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 100

Özet

Dikkat Eksikligi Hiperaktivite Bozukluğu (DEHB), çocuklukta başlayan ve tedavi edilmediğinde ömür boyu sürebilen nöropsikiyatrik bir bozukluktur. Teknolojik gelişmeler, önceden tespit edilemeyen nöroanatomik ve nörofizyolojik temellerin anlaşılmasına katkıda bulunmuştur. Psikiyatrik ve fiziksel bozuklukların teşhisinde farklı modern nörogörüntüleme tekniklerinden yararlanılır. Yapısal MR, iyonlaştırıcı radyasyona dayanmayan ve beynin anatomisini ve patolojisini incelemede kullanılan invazif olmayan bir yöntemdir. Yapısal MR, DEHB tanısında kritik bir araçtır ve beyin gelişimindeki minimal bozuklukların tespit edilmesini sağlar. DEHB'li bireylerin beyin dokusunda yapısal değişiklikler mevcuttur. Örneğin, prefrontal korteks, bazal gangliyonlar, beyaz ve gri maddeler, serebellum ve parieto-temporal bölgelerde hacimsel azalmalar mevcuttur. Bu çalışmada, yapısal MR verileri kullanılarak Makine Ögrenme ve Derin Öğrenme yöntemleri ile objektif ve güvenilir bir DEHB tespit modeli geliştirilmiştir. Bu amaçla tezde, DEHB sınıflandırılması için iki farklı yaklaşım sunulmuştur. İlki, ML ve DL algoritmalarının birlikte kullanıldığı bir yöntem iken, diğeri sadece DL algoritmalarına dayanmaktadır. Birçok psikiyatrik hastalığın teşhisinde önemli bir parametre olarak kabul edilen gri ve beyaz madde, bu çalışmada da referans alınmıştır. Bu amaçla, gri ve beyaz maddenin tam ve net göründüğü dilimlerin tespiti için bir algoritma geliştirildi. Bu algoritma vasıtasıyla seçilen dilimler ilk veri kümesine atanırken, yapısal MR'ı oluşturan bütün dilimlerde başka bir veri kümesine atandı. Bu veri kümesi, DEHB tespit methodolojilerinde kullanıldı. İlk methodolojide, Birinci Mertebe, İkinci Mertebe (LBP, GLCM, Haralick) istatiksel ML yöntemleri ile AlexNet, ResNet, VggNet, SqueezeNet ve Inception-ResNet DL mimarileri kullanılarak farklı öznitelik kümeleri oluşturuldu. Temel bileşenler analizi ile öznitelik seçim yöntemi uygulandı. Tekil ve Çoğul sınıflandırma algoritmaları ile DEHB sınıflandırma modeli oluşturuldu. İkinci methodolojide ise, sadece DL mimarilerine dayanmaktadır. DL mimarilerinin sınıflandırma başarısı, veri miktarıyla doğru orantılı olduğundan dolayı, çevirim içi geometrik veri artırım teknikleri ile yapısal MR verileri artırıldı. AlexNet, VggNet (16,19), ResNet (18,50,101), SqueezeNet mimarileri ile sınıflandırma işlemleri gerçekleştirildi. Buna ek olarak, AlexNet mimarisinden esinlenerek tasarladığımız CNN ağımız ile DEHB sınıflandırma modelleri oluşturuldu. İlk methodolojide, önerilen algoritma yardımıyla tespit edilen yapısal MR kesitlerini içeren birinci veri kümesi ile oluşturulan sınıflandırma modellerinde başarılı sonuçlar elde edildi. ML öznitelik çıkarımında kullanılan LBP, Haralick, Birinci Mertebe ve GLCM yöntemleri ile, DL öznitelik çıkarımında kullanılan AlexNet ve Inception-ResNet yöntemlerinde yüksek sınıflandırma performansları elde edildi. İkinci methodolojide ise, bütün dilimleri içeren ikinci veri kümesi ile yüksek sınıflandırma sonuçları elde edildi. AlexNet mimarisi ile tasarladığımız CNN ağında yüksek sınıflandırma performansları gözlemlendi.

Özet (Çeviri)

Attention Deficit Hyperactivity Disorder (ADHD) is a neuropsychiatric disorder that begins in childhood and can last a lifetime if left untreated. Technological advances have contributed to the understanding of previously undetected neuroanatomical and neurophysiological foundations. Different modern neuroimaging techniques are used in the diagnosis of psychiatric and physical disorders. Structural MRI is a non-invasive method that does not rely on ionizing radiation and is used to study the anatomy and pathology of the brain. Structural MRI is a critical tool in the diagnosis of ADHD and enables the detection of minimal disturbances in brain development. There are structural changes in the brain tissue of individuals with ADHD. For example, there are volumetric reductions in the prefrontal cortex, basal ganglia, white and gray matter, cerebellum, and parieto-temporal regions. In this study, an objective and reliable ADHD detection model was developed with Machine Learning and Deep Learning methods using structural MR data. For this purpose, two different approaches for the classification of ADHD are presented in the thesis. While the first is a method in which ML and DL algorithms are used together, the other is based only on DL algorithms. Gray and white matter, which are accepted as an important parameter in the diagnosis of many psychiatric diseases, were also taken as reference in this study. For this purpose, an algorithm was developed to detect slices in which gray and white matter appear complete and clear. While the slices selected by this algorithm were assigned to the first dataset, all the slices constituting the structural MR were assigned to another dataset. These datasets were used in ADHD detection methodologies. In the first methodology, different feature sets were created using First Order, Second Order (LBP, GLCM, Haralick) statistical ML methods and AlexNet, ResNet, VggNet, SqueezeNet and Inception-ResNet DL architectures. Feature selection method was applied with principal component analysis. ADHD classification model was created with Single and Ensemble classification algorithms. In the second methodology, it is based only on DL architectures. Since the classification success of DL architectures is directly proportional to the amount of data, structural MR data has been increased with online geometric data augmentation techniques. Classification processes were performed with AlexNet, VggNet (16,19), ResNet (18,50,101), SqueezeNet architectures. In addition, ADHD classification models were created with our CNN network, which we designed inspired by the AlexNet architecture. In the first methodology, successful results were obtained in the classification models created with the first dataset containing the structural MR sections determined with the help of the proposed algorithm. High classification performances were obtained in LBP, Haralick, First Order and GLCM methods used in ML feature extraction, and AlexNet and Inception-ResNet methods used in DL feature extraction. In the second methodology, high classification results were obtained with the second dataset containing all slices. High classification performances were observed in the CNN network we designed with AlexNet architecture.

Benzer Tezler

  1. Tez No

    879686

    Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data

    Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları

    İSMAİL BİLGEN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  2. Tez No

    827341

    Fizyolojik sinyaller ve hareket verileri kullanılarak dikkat eksikliği hiperaktivite bozukluğunun tespit edilmesine yönelik test sistemi gerçekleştirilmesi ve analizi

    Development and analysis of a test system for the detection of attention deficit hyperactivity disorder using physiological signals and motion data

    MUSTAFA YASİN ESAS

    Doktora

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. FATMA LATİFOĞLU

  3. Tez No

    841764

    Dikkat eksikliği ve hiperaktivite bozukluğu tanısı olan erişkin hastalarda transkranial doğru akım uyarımının duygularla ilişkili risk alma davranışı ve gecikme indirimi üzerine etkisi

    The effect of transcranial direct current stimulation on emotion-related risk-taking behaviour and delay discounting in adult patients with attention deficit hyperactivitydisorder

    ZEHRA UÇAR HASANLI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    PsikiyatriAnkara Üniversitesi

    Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. ERGUVAN TUĞBA ÖZEL KIZIL

  4. Tez No

    707333

    Yüz görüntülerinden geometrik öznitelikler çıkarılarak çocuklardaki dikkat eksikliği ve hiperaktivite bozukluğunun denetimli öğrenme algoritmalarıyla tespiti ve analizi

    Detection and analysis of attention deficit and hyperactivity disorder in children with supervised learning algorithms by extracting geometric features from facial images

    SATUK BUĞRAHAN ÖZTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BARIŞ ÖZYER

  5. Tez No

    598030

    Makine öğrenmesi teknikleri kullanılarak çocukluk çağı dikkat eksikliği ve hiperaktivite bozukluğunun tahmin edilmesine yönelik uzman sistem tasarımı

    Expert system design for the prediction of attention deficit and hyperactivity disorder in childhood using machine learning techniques

    HANİFE GÖKER

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. HAKAN TEKEDERE

Geri Dön