Yapay zeka yöntemleri ile Multipl Sklerozis tanısı
Başlık çevirisi mevcut değil.
- Tez No: 842414
- Danışmanlar: PROF. DR. FATMA SİBEL BAYRAMOĞLU
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Yapay Zeka Derin Öğrenme, Manyetik Rezonans Görüntüleme, FLAİR, Multipl Skleroz, Demyelinizan Lezyon, Artificial Intelligence, Deep Learning, Demyelinating Lesion, Magnetic Resonance Imaging, Multiple
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: İstanbul Sultan Abdülhamid Eğt. ve Arş. Hast.
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 88
Özet
Amaç: Multipl skleroz olgularının beyin manyetik rezonans görüntülemesinde(MRG), Multipl Skleroza(MS) özgü demyelinizan ak madde lezyonları FLAİR sekansında hiperintens olarak görülmektedir. Derin transfer öğrenme yapay zeka tekniklerini kullanarak bu lezyonları erken dönemde daha hızlı bir şekilde algılayıp MS tanısını koyabilmeyi amaçladık. Gereç ve Yöntem: Çalışmaya 2020-2023 tarihleri arasında aynı MRG cihazında (General Electric Signa Artist 1.5Tesla) kontrastsız kranial görüntülemesi yapılmış yaşları 18-69 aralığında değişen, nörolojik olarak MS tanısı almış rastgele seçilen takipteki 39 erkek ve 71 kadın ile sağlıklı olgulardan oluşan ve yine rastgele seçilen 7 erkek ve 25 kadın olgu dahil edilmiştir. 1,6 mm kalınlıktaki axial ve sagittal kesit FLAİR sekans görüntülerinden oluşan veri seti 6 farklı derin transfer öğrenme yöntemi (Xception, MobileNet, AlexNet, VGG19, ResNet152 ve NasNet) kullanılarak lezyonların algılanması ve MS tanısı konulmaya çalışılmıştır. Her bir derin transfer öğrenme modelinin elde ettiği sonuçlar modeller arasında karşılaştırılmıştır. Bulgular: MS tanısında, axial görüntüler için en yüksek başarı oranı Xception derin transfer öğrenme yöntemi ile %95.07 olarak , en düşük başarı oranı ise NasNet yöntemi ile %70.77 olarak elde edilmiştir Sagittal görüntülerde ise en yüksek başarı oranı %98.10 ile Xception yöntemi tarafından elde edilirken en düşük başarı ise axial görüntülerde de en düşük başarıya sahip olduğu gözlenen NasNet modeli ile gerçekleşmiştir. Sonuç: Çalışmamız, yapay zeka tabanlı transfer öğrenme modellerinin axial ve sagittal veri setleri üzerinde yüksek sınıflandırma performansına sahip olduğunu ve MS tanısında yüksek başarılar elde edebileceğini göstermiştir. Bu çalışmaların, MS teşhis ve tedavi süreçlerini iyileştirmeye yönelik önemli katkılar sağlama potansiyeline sahip olduğunu ve gelecekte daha geniş veri kaynaklarına dayalı çalışmalarla daha yüksek başarı oranları elde edilebileceğini düşünmekteyiz.
Özet (Çeviri)
Aim: In brain magnetic resonance imaging (MRI) of multiple sclerosis (MS) patients, MS specific demyelinating white matter lesions are hyperintense in the FLAIR sequence. Using deep transfer learning artificial intelligence techniques, we aimed to detect these lesions more rapidly in the early period and diagnose MS. Materials and Methods: The study included , randomly selected follow-up 39 males and 71 females aged 18-69 years with neurologically diagnosed MS and randomly selected 7 males and 25 females consisting of healthy subjects who underwent non-contrast cranial imaging on the same MRI device (General Electric Signa Artist 1.5Tesla) between 2020 and 2023. A dataset of 1.6 mm thick axial and sagittal slice FLAIR sequence images was analyzed using 6 different deep transfer learning methods (Xception, MobileNet, AlexNet, VGG19, ResNet152 and NasNet) to detect lesions and diagnose MS. The results obtained by each deep transfer learning model were compared between the models. Results: For the diagnosis of MS, the highest success rate for axial images was 95.07% with the Xception deep transfer learning method and the lowest success rate was 70.77% with the NasNet method. In sagittal images, the highest success rate was achieved by the Xception method with 98.10%, the lowest success rate was achieved by the NasNet model, which was also observed to have the lowest success rate in axial images. Conclusion: Our study showed that artificial intelligence-based transfer learning models have high classification performance on axial and sagittal datasets and can achieve high success in MS diagnosis. We believe that these studies have the potential to provide important contributions to improve MS diagnosis and treatment processes and that higher success rates can be achieved with studies based on larger data sources in the future.
Benzer Tezler
- Yapay zeka teknikleri ile manyetik rezonans görüntülerinden multipl skleroz hastalığının teşhisi ve gelecekteki aktivitesinin tahmini
Identification of multipl sclerosis and prediction of future activity from magnetic resonance images by artificial intelligence techniques
ZÜLEYHA YILMAZ ACAR
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH BAŞÇİFTÇİ
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Metastaz tanısı için çoklu radyomik verileri ile yapay zeka tabanlı karar destek sistemi oluşturulması
Creating an artificial intelligence based decision support system with multiple radiomic datas for the diagnosis of metastasis
EMİNE ACAR AKKAYA
Doktora
Türkçe
2023
OnkolojiDokuz Eylül ÜniversitesiOnkoloji Ana Bilim Dalı
PROF. DR. ENDER BERAT ELLİDOKUZ
PROF. DR. YASEMİN BAŞBINAR
- Yapay zekâ yöntemleri ile Fırat Havzası yağış-akış ilişkisinin belirlenmesi
Determination of rainfall-runoff relationship in Euphrates Basin with artificial intelligence methods
İBRAHİM HALİL İFŞAAT
Yüksek Lisans
Türkçe
2020
İnşaat MühendisliğiHarran Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. VEYSEL GÜMÜŞ
- Yapay zeka yöntemleri ile GAP bölgesindeki aylık tava buharlaşma değerlerinin tahmin edilmesi
Estimation of monthly pan evaporation in the GAP region with artificial intelligence methods
YUNUS YEŞİLTAŞ
Yüksek Lisans
Türkçe
2018
İnşaat MühendisliğiHarran Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. VEYSEL GÜMÜŞ