Reproducibility of graph neural networks in multiview brain connectivity
Çokgörünümlü beyin bağlantılarında çizge sinir ağlarının yeniden üretilebilirliği
- Tez No: 863682
- Danışmanlar: PROF. DR. MUSTAFA SERDAR ÇELEBİ, DR. ISLEM REKIK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beyindeki aktivitelerin nasıl tahakkuk ettiği, bu aktiviteleri inceleyebilmek için ne tür metotlar geliştirilebileceği, ve bu aktivitelerin muhtelif beyin hastalıklarına nasıl yol açtığı mevzuları, bilim insanlarının incelediği başat konulardandır. Beyin ağları, nöronların birbirine bağlanmak suretiyle oluşturduğu karmaşık bir sistemdir ve bu konudaki araştırmaların odak noktasını oluşturur. Tüm bu araştırmalara ağ sinir bilimi adını veririz. Ağ sinir bilimi genel olarak sinir bilim, nörogörüntüleme, model analizi ve çizge teorisi alanlarını bünyesinde deruhte eder. Ağ sinirbilimi altında beyin bölgeleri arasındaki bağlantıları tespit etmek amacıyla yapılan çalışmalar neticesinde elde edilen bu ağlar, nörolojik ve psikiyatrik teşhis ve tedavi süreçlerinde önemli rol oynar. Örneğin, Alzheimer hastalığı semptomları ortaya çıkmadan önce beyin ağları üzerine yapılan çalışmaları beyinde meydana gelen değişiklikleri tespit etmek ve bunların Alzheimer hastalığı ile ilişkisini ortaya koymak için kullanabiliriz. Bu ilişkilerin nasıl ortaya çıkarılacağı ise sair matematiksel araçların zaman içinde geliştirilmesine müncer olmuştur. Bu araçları temel olarak iki kategoride ele alabiliriz: manuel ve makine öğrenmesi tabanlı araçlar. Manuel tabanlı araçlar ağırlıklı olarak çizge teorisi ve öznitelik mühendisliğine bağlı olarak geliştirilmiştir. Makine öğrenmesi tabanlı araçlar ise öznitelik çıkarımını otomatik bir surette gerçekleştirmiştir. Son zamanlarda veriye ulaşımın kolaylaşması, kompleks veri türlerini otomatik işleyebilecek kabiliyette makine öğrenmesi algoritmalarının inkişafı ve kolay erişilebilirliği makine öğrenmesi tabanlı araçların kullanımını da büyük ölçüde yaygınlaştırmıştır. Bu araçlardan çizge veri yapılarında saklanan türden verileri işleme kabiliyetini haiz çizge sinir ağlarının, beyin ağlarının modellenmesiyle oluşan çoklu çizge beyin verilerinin işlenmesinde git gide artan bir oranda kullanılmaya başlandığını görmekteyiz. Bir populasyona ait beyin çizgelerinin entegrasyonu, zaman serisi olarak mevcut beyin çizge verilerinden hareketle gelecek bir zamandaki beyin çizgesinin tahmini, beyin çizgelerinin sınıflandırılması gibi üç temel problemde özetleyebileceğimiz ağ sinir bilimi alanındaki problemlerin çözümünde en gelişmiş sonuçlara çizge sinir ağlarıyla ulaşılmaktadır. Bu problemlerden beyin çizgelerinin sınıflandırılması mühim bir problemdir, bilhassa erken teşhis için. Bu problemin altında genel olarak iki farklı problemle ilgilenilir. Bunlardan biri ilgili beyin çizgesinin sağlıklı olup olmadığının tespitiyken diğer problem sağlıklı olmayan beyin çizgelerinde hangi özniteliklerin öne çıktığı ve karar verme mekanizmalarında pay sahibi olduğunun tespitidir. Tezimiz boyunca bir zemin olarak kullanılacak olan problem de bu problemdir. Bir meta-problem olan sinir ağlarının yeniden üretilebilirliğinin tespitini bu problem üzerinde gerçekleştireceğimiz ölçüm tekniği ve detaylar üzerinden göstereceğiz. Yukarıda bahsedilen problemlere dair literatürdeki çalışmalar incelendiğinde, her bir problem için önerilen farklı algoritmaların genel olarak doğruluk metriğini optimize ettikleri görülmektedir. Yani ilgili problemin başarımını tespit için belirlenen metriğin iyileştirilmesi, buna mukabil mevcut problemi daha başarılı çözecek bir algoritma geliştirilmesine eğilinmektedir. Halbuki son zamanlarda geliştirilen algoritmaların ürettiği sonuçların yeniden üretilebilir olması, farklı dağılıma sahip veri kümelerinde benzer sonuçların alınabildiğinin gösterilmesi geliştirilen algoritmaların ürettiği sonuçların güvenilirliğini göstermesi açısından önemli hale gelmiştir. Bilhassa ağ sinirbilimi gibi klinik yönü ağır basan alanlarda elde edilen sonucun farklı örneklemlerde de gösterilebilmesi, örneklemden bağımsız olarak belirli özniteliklerin aynı karakteristiği sahip verilerle eğitilen algoritmalarca öne çıkarılması aranılan hususlar olmaya başlamıştır. İlgileneceğimiz problem olan beyin hastalıkları sınıflandırması gibi bir problemde çizge sinir ağlarının ürettiği sonuçların yeniden üretilebilir olup olmadığını doğru tespit edecek bir metot bu cihetlerden önem taşımaktadır. Burada temel gaye her bir algoritmaya, farklı dağılımlara sahip veri kümelerinden çıkartılan öznitelikler muvazenesinde yeniden üretilebilirlik skoru atamaktır. Bu skor mevcut özniteliklerin benzeşimleriyle doğru orantılı olmalıdır. Yani uğraşılan problem bu yeniden üretilebilirliğin nasıl ölçüleceğidir. Literatürde beyin çizge verileri kullanılarak eğitilen çizge sinir ağlarının yeniden üretilebilirliğinin ölçülmesi noktasında kısıtlı da olsa metotlar bulunmaktadır. Ancak bu metotların muhtelif problemleri mevcuttur. Evvela bu metotların gürbüz bir matematiksel altyapıları yoktur. Farklı tekniklerle elde edilen birtakım skorların ortalamasının alınması gibi toplanan skorlardaki bilgilerin kaybına yol açan ilkel yöntemler kullanılmaktadır. Ek olarak bir algoritmanın yeniden üretilebilirliğini ölçme noktasında metotların güvenilirliklerinin dışsal bir teste tabi tutulmuş olduğu gözlenmemektedir. İlgilenilen problem bir meta-problem olduğu için, yani direkt olarak bir metriği eniyileştirmekten ziyade, bir algoritmanın en iyi olup olmadığını tespit edeceğinden dolayı, ölçümü yapacak tekniğin de ayrı bir dışsal teste tabi tutulması gerekmektedir. Son olarak farklı çizge sinir ağlarına yeniden üretilebilirlik skoru atamak için geliştirilen metotların dayandıkları varsayımlarda çeşitli problemler bulunmaktadır. Farklı algoritmaların benzer öznitelikleri içereceği varsayımı bunlardan birisidir. Halbuki bir problemi kötü bir başarımla çözecek bir algoritmanın iyi bir başarımla çözecek bir algoritmayla aynı özniteliklere dayanması beklenemez. Bu da yüksek yenidne üretilebilirlik kabiliyetine sahip modellerin, kabiliyetleriyle doğru orantılı skorlarla nicelenmelerini zorlaştırır. Ayrıca iki algoritma arasındaki benzer özniteliklerin oranı karşılaştırılacak algoritmaların türüne göre farklılaşacağı için, bir algoritmaya ait global bir yeniden üretilebilirlik skoru elde edilmesi mümkün olmayacaktır zira bu skorlar karşılaştırılacak algoritmalarla doğrudan bağıntılı olacaktır. Tüm bu problemlerin izalesi için RepNet yeniden üretilebilirlik ölçüm metodunu öneriyoruz. RepNet, çeşitli çizge sinir ağlarına yukarıda bahsettiğimiz problemlerden azade bir surette özniteliklerinin yeniden üretilebilirliği üzerinden bir skor atar. Dayandığı varsayımlar algoritmaların yeniden üretilebilirlik skorlarını, kabiliyetleriyle doğru orantılı kılmaktadır ve her modelin, diğer algoritmalardan bağımsız global bir skoru oluşturulmaktadır. Bu skorun oluşturulma aşamasında kullanılan matematiksel tanımlar ve operasyonlar bilgi kaybını önleyip oluşturduğumuz ölçüm metodunun kuramsal zeminini teşkil etmektedir. Bu adımlaraysa metodu tabi tuttuğumuz üç aşamalı yoğun bir deney dizisi eşlik etmektedir. Ölçüm metodumuzun farklı algoritmalara atadığı skorların içsel tutarlılıkları, metodun karakteristik özelliklerden bağımsız bir dışsal test bulguları ile metot sonuçlarının korelasyonu, son olarak en yüksek yeniden üretilebilirlik skoruna sahip modelin, sınıflandırma sonucunu belirlerken dayandığı özniteliklerin klinik olarak anlamlı olup olmadığının tespiti ve tüm bu sonuçların beraber değerlendirildiğindeki uyumu RepNet'in literatürdeki en gelişmiş metotlardan üstün olduğunu göstermiştir. Hülasa Repnet, kendisine parametre olarak geçilen çizge sinir ağlarından en yüksek yeniden üretilebilirlik kabiliyetine sahip olanını tespit edebilir, neden en iyi sinir ağının seçilen olduğunu açıklayabilir, diğer sinir ağlarıyla arasındaki kabiliyet farkını doğru bir şekilde niceleyebilir.
Özet (Çeviri)
Scientists explore the processes within the brain, the development of methods to analyze these processes, and their role in the onset of various brain disorders. A focal point of this research lies in understanding brain networks, the intricate system of interconnected neurons. Investigating the connections between different brain regions helps unveil crucial information that proves valuable in the diagnosis and treatment of neurological and psychiatric conditions. For instance, these networks can be utilized to detect alterations in the brain preceding the manifestation of Alzheimer's disease symptoms, elucidating their correlation with the development of the condition. Graph neural networks are increasingly being employed to process multigraph brain data generated by modeling brain networks. Notably, graph neural networks have demonstrated advanced performance in addressing various challenges, including the integration of brain graphs within a population, forecasting future brain graphs based on existing time series data, and the categorization of brain graphs. The classification of brain diagrams is particularly crucial for early diagnosis. Nevertheless, a review of the existing literature reveals a predominant focus on optimizing accuracy metrics in algorithms. However, the reliability of results from recently developed algorithms is contingent on their reproducibility, as well as the ability to replicate similar outcomes across datasets with distinct distributions. In the context of brain disease classification, it becomes imperative to establish methods for accurately assessing the reproducibility of results generated by graph neural networks. The existing literature lacks comprehensive approaches for assessing the reproducibility of graph neural networks trained on brain graph data. Current methods lack a robust mathematical foundation, haven't undergone external validation for reliability, and face challenges with the assumptions underpinning the assignment of reproducibility scores to different graph neural networks. To address these issues, we propose the utilization of the RepNet method. RepNet evaluates the reproducibility of biomarkers across diverse graph neural networks. While the theoretical framework of the method involves mathematical definitions for scoring, internal and external tests were conducted to ensure expected outcomes aligning with the theoretical basis. Our results, demonstrating compatibility with medical studies, indicate that RepNet outperforms the state-of-the-art methods in the field. In essence, RepNet can identify the graph neural network with the highest reproducibility, elucidate the rationale behind its selection, and precisely quantify its superiority over other neural networks.
Benzer Tezler
- Multi-modal neuroimaging data prediction: Estimation of connectional brain template and multigraph classification with application to gender fingerprinting
Çoklu modal nörogörüntüleme veri tahmini: Bağlantılı beyin şablonunun tahmini ve cinsiyet parmak izi uygulaması ile çoklu grafik sınıflandırma
NADA CHAARI
Doktora
İngilizce
2021
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE CAMGÖZ AKDAĞ
DR. ÖĞR. ÜYESİ ISLEM REKIK
- Mercury determination by cold vapor atomic absorption spectrometry using amalgamation techniques
Başlık çevirisi yok
İSMAİL SULİEMAN EL-SALAG
- Pamuklu kumaşların halat ve geniş kasar işlemlerinin karşılaştırılması
Başlık çevirisi yok
ARİF TANER ÖZGÜNEY
Yüksek Lisans
Türkçe
1988
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ABBAS YURDAKUL
- Taşköprü-Gökçeağaç (Kastamonu) yöresinde Cu ve Zn elementlerinin derekumundaki jeokimyasal dağılımları
Başlık çevirisi yok
CEM SARAÇ
Yüksek Lisans
Türkçe
1987
Jeoloji MühendisliğiHacettepe ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF.DR. MÜMİN KÖKSOY