Geri Dön

Derin öğrenme yöntemlerine dayalı beyin görüntülerinin analizi ile Alzheimer hastalık sınıflandırması

Alzheimer's disease classification by analysis of brain images based on deep learning methods

  1. Tez No: 774012
  2. Yazar: SÜMEYYE ÜNLÜLEBLEBİCİ
  3. Danışmanlar: DOÇ. DR. CELAL ÖZTÜRK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 58

Özet

Demans beyni etkileyen, hafıza ve düşünmede eksikliklere neden olan bir bulgudur. Demans türleri arasında en sık rastlanılan Alzheimer hastalığı özellikle yaşlı bireylerde görülen, beyinde hafıza kaybına ve gündelik hayatı aksatmaya neden olan bir rahatsızlıktır. Dünyada yıllar içinde yaşlı nüfusun giderek artmasıyla Alzheimer hasta sayısı artmakta ve daha da artacağı öngörülmektedir. Bu hastalığın tedavisi henüz mümkün olmasa da ilerlemesini engelleyecek tedbirler alınabilmektedir. Erken teşhis ile beyinde kalıcı hasarlar oluşmadan tedaviye başlanarak önemli ölçüde yol kat edilebilir. Alzheimer hastası bireyde beynin hacminde değişimler meydana gelir. Manyetik rezonans (MR) görüntüleme Alzheimer hastalığı (AH) teşhisinde yaygın olarak kullanılmaktadır, MR görüntülerinin analizi ile beyindeki hacimsel değişimler gözlemlenebilir ve AH sınıflandırılması yapılabilir.. Derin öğrenme yöntemleri ile görüntü analizlerinde hızlı ve başarılı sonuçlar alındığı literatür taramasında gözlemlenmiştir. Bu tezde Alzheimer's Disease Neuroimaging Initiative (ADNI)'den MR görüntüleri alınmıştır ve AH sınıflandırmasında derin öğrenme yöntemlerinin başarısı araştırılmıştır. AH sınıflandırması için iki boyutlu evrişimli sinir ağları (2B ESA) algoritması olan YOLO v4 ve üç boyutlu evrişimli sinir ağı modeli (3B ESA) önerilmiştir. 2B ESA modeli için MR verileri iki boyuta indirgenmiş ve önişlemlerden geçirilmiş haliyle eğitilip tahmin işlemi yapılmıştır. Tahmin sonuçlarında 3B ESA modeli 2B ESA modeline göre daha başarılı çıkmıştır. 2B ESA modelinde doğruluk değeri %68 iken bu değer 3B ESA modelinde %88'e yükselmiştir.

Özet (Çeviri)

Dementia is a disease that affects the brain and causes deficits in memory and thinking. Alzheimer's disease, which is the most common type of dementia, is a disorder that causes memory loss and disruption of daily life, especially in elderly individuals. The number of Alzheimer's patients will increase over the years due to the increase in the elderly population in the world and it is predicted that it will increase even more. Although the treatment of this disease is not yet possible, make provision for can be taken to prevent its progression. Thanks to early diagnosis, treatment can go a long way before permanent damage to the brain occurs. Changes occur in the volume of the brain in individuals with Alzheimer's disease (AD). Magnetic resonance (MR) imaging is widely used in the diagnosis of AD, with the analysis of MR images, volumetric changes in the brain can be observed; With these analyzes, it is possible to identify and classify the stages of the disease. It has been observed in the literature review that fast and successful results are obtained in image analysis deep learning methods. In this thesis, MR images were taken from Alzheimer's Disease Neuroimaging Initiative (ADNI) and the success of deep learning methods in AD classification was investigated. YOLO v4, a two-dimensional convolutional neural network (2D ESA) algorithm, and a three-dimensional convolutional neural network model (3D ESA) have been proposed for AD classification. For the 2D ESA model, the MR data was reduced to two dimensions and preprocessed, trained and predicted. In the estimation results, the 3D CNN model was quite successful compared to the 2D CNN model. While the accuracy value was 68% in the 2D CNN model, this value increased to 88% in the 3D CNN model.

Benzer Tezler

  1. A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy

    Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli

    ÖMER FARUK GÜRCAN

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  2. Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  3. Mr görüntülerinde gliyom karakterizasyonu için 3B analiz temelli sınıflayıcı model tasarımı

    The design of 3D analysis-based framework for glioma characterization in MR images

    ABDULSALAM HAJMOHAMAD

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HASAN KOYUNCU

  4. Analysis of multichannel EEG signals for the detection of major depressive disorder

    Majör depresif bozukluğunun tespiti için çok kanallı EEG sinyallerinin analizi

    ELİF İZCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Mühendislik Bilimleriİzmir Katip Çelebi Üniversitesi

    Biyomedikal Teknolojiler Ana Bilim Dalı

    PROF. DR. AYDIN AKAN

    DR. ONAN GÜREN

  5. Kolonoskopi görüntülerindeki poliplerin evrişimli sinir ağları ile tespiti

    Detecting polyps in colonoscopy images using convolutional neural networks

    ERDEM EZER

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    İş Analitiği Ana Bilim Dalı

    PROF. DR. MERT ERER