Alzheimer hastalığının derin öğrenme tekniği ile PET görüntüleri üzerinden teşhisi
Diagnosis of Alzheimer disease from PET images by deep learning technique
- Tez No: 749239
- Danışmanlar: PROF. DR. AHMET BOZKURT
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 84
Özet
Beyin hücrelerinde zamanla gelişen ölüme bağlı olarak hafıza kaybı, bunama (demans) ve bilişsel fonksiyonların azalması şeklinde gelişen tıbbi durum Alzheimer hastalığı (AH) olarak adlandırılır. Henüz tedavisi için herhangi bir ilaç bulunmuş olmasa da Alzheimer hastalığının nedeni, gelişim şeklinin anlaşılması ve çözüm yollarının geliştirilmesine yol açabilecek başarılı sonuçlar ortaya konulabilmektedir. AH'nin varlığı ve ilerleme düzeyine dair bilgilerin, beyin görüntüleri üzerinden geliştirilecek bir derin öğrenme mimarisi yardımıyla irdelenmesi teşhisteki doğruluğu artırabilir. AH'nin, hafif bilişsel bozukluğun veya beynin Floro-deoksi-glukoz (FDG)-PET'in nihai teşhisini öngören bir derin öğrenme algoritması geliştirmek, doğrulamak ve performansını radyolojik okuyucularla karşılaştırmak amacıyla bazı çalışmalar yapılmıştır. Bu çalışmada ise derin öğrenme yardımıyla AH'nin FDG-PET görüntüleri üzerinden DenseNet121, InceptionV3, MobileNet, MobileNetV2, ResNet50, ResNet101, VGG16 ve Xception mimarileri ile transfer öğrenme tekniği uyarlanarak teşhisine çalışılmış ve beyin dokusunun hastalıktan etkilenme durumu irdelenmiştir. Çalışmanın bulguları incelendiğinde en yüksek eğitim doğruluğu, kesinliği, duyarlılığı ve F skorunu Xception (%99) ve DenseNet121 (%99) mimarileri vermiştir. Eğitimler sonucunda elde edilen test doğruluğu, kesinliği, duyarlılığı ve F1 skoruna bakıldığında Xception (%100) ve DenseNet121 (%100) mimarileri ön plana çıkmıştır. Kullanılan modeller arasında Xception, VGG16 ve ResNet101 modelleri en uzun eğitim ve testlerini vermiş, en kısa süreler ise MobileNet ve MobileNetV2 modelleri ile elde edilmiştir. Farklı veri setlerinin eğitimi sonucunda veri sayısı arttıkça model başarısının da arttığı görülmüştür. Çalışma, beyin PET görüntüleri üzerinden AH teşhisi konusunda transfer öğrenme mimarilerinin başarımını göstermiş ve eğitim sonuçlarına göre yüksek başarı gösteren mimarilerle MR görüntüleri üzerinde daha büyük veri setleri kullanılarak çalışılabileceğini düşündürmüştür.
Özet (Çeviri)
The medical condition that develops in the form of memory loss, dementia (dementia) and decreased cognitive functions due to the death of brain cells over time is called Alzheimer's disease (AD). Although no drug has been found for its treatment yet, there are successful results that may lead to the understanding of its cause, development, and solutions. Examination of the information about the presence and progression of AD with the help of deep learning architectures through brain images can increase diagnostic accuracy. Some studies have been conducted to develop and validate deep learning algorithms to predict the final diagnosis of AD, mild cognitive impairment, or brain Fluoro-deoxy-glucose (FDG)-PET, and to compare its performance with that of radiological readers. In this study, with the help of deep learning, diagnosis of AD was attempted by adapting transfer learning technique and DenseNet121, InceptionV3, MobileNet, MobileNetV2, ResNet50, ResNet101, VGG16 and Xception architectures over FDG-PET images, and the condition of the brain tissue affected by the disease was investigated. When the findings of the study were examined, Xception (99%) and DenseNet121 (99%) architectures yielded the highest training accuracy, precision, sensitivity and F score. Considering the test accuracy, precision, sensitivity and F1 score obtained as a result of training, Xception (100%) and DenseNet121 (100%) architectures came to the fore. Among the models used, Xception, VGG16 and ResNet101 took the longest training and test durations, while MobileNet and MobileNetV2 models took the shortest time. As a result of training with different data sets, it was seen that the success of the model increased as the amount of data increased. The study showed the performance of transfer learning architectures in diagnosing AD over brain PET images and suggested that it can be studied using larger datasets on MR images with architectures that show high success according to the training results.
Benzer Tezler
- Alzheımer hastalığının teşhisi için demxnet model önerisi ve derin transfer öğrenme yöntemleri ile karşılaştırılması
Model proposal of demxnet for the diagnosis of Alzheimer's disease and comparison with deep transfer learning methods
NACİYE NUR ARSLAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DURMUŞ ÖZDEMİR
- Detection of multistage Alzheimer from 4D FMRI data using deep learning
4D FMRI'dan multistage Alzheimer'in tespiti derin öğrenmeyi kullanan veriler
NAWAZISH ALI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
PROF. DR. REDA ALHAJJ
- Derin öğrenme yöntemleri ile Alzheimer hastalığının tespiti ve sınıflandırılması
Detection and classification of Alzheimer's disease using deep learning methods
FİRDEVS SÜMEYYE ÇELENLİ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMalatya Turgut Özal ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. HARUN BİNGÖL
- 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
- Deep learning methods for classification Alzheimer's disease
Alzheimer hastalığının sınıflandırılmasına yönelik derin öğrenme yöntemleri
HUSAM MOHAMMED ABDULFATTAH SAIF AL-HAMMADI
Yüksek Lisans
İngilizce
2023
Bilim ve TeknolojiFatih Sultan Mehmet Vakıf ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EBUBEKİR KOÇ