Derin öğrenme yöntemleriyle Parkinson hastalığı teşhisi
Parkinson's disease diagnosis with deep learning methods
- Tez No: 871639
- Danışmanlar: PROF. DR. OĞUZ KAYNAR
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Sivas Cumhuriyet Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 90
Özet
Parkinson hastalığı, sinir sistemindeki dejeneratif bir bozukluk olarak bilinir ve hareket kontrolünde zorluklara, titremelere, kas sertliklerine ve denge kayıplarına yol açmaktadır. Bu hastalık, teşhis ve tedavi açısından büyük bir zorluk oluşturmaktadır. Hastalığın kesin bir tedavi yöntemi bulunmamaktadır. Ancak, hastalığın erken teşhisi, tedaviye verilecek mücadele ve yaşam kalitesinde belirleyici bir rol oynamaktadır. Son yıllarda, yapay zeka ve derin öğrenme teknikleri, kompleks nörolojik durumların teşhis ve tahmini için önemli bir araç haline gelmiştir. Hastalıklara ilişkin verilerin artması ve erişimin kolaylaşması, yapay zekanın hastalıkların tahmin ve tanısında etkin bir şekilde kullanılmasını sağlamıştır. Bu bağlamda, Parkinson hastalığının erken teşhisinde derin öğrenme ve makine öğrenmesi teknikleri büyük önem arz etmektedir. Çalışma, bu doğrultuda, Parkinson hastalığının sadece MR görüntülerinden tahmin edilemeyeceği gerçeğinden yola çıkarak, destekleyici bir veri kaynağı olarak El çizimleri veri seti de kullanılmıştır. Çalışmada, ResNet50, VGG-16, Mobilenet, DenseNet201 ve İnceptionv3 gibi Derin Öğrenme modelleri, Transfer öğrenme yöntemi kullanarak entegre edilmiştir. Ayrıca, K en Yakın Komşu, Destek Vektör Makineleri ve Lojistik Regresyon gibi makine öğrenmesi algoritmaları da kullanılmıştır. Oluşturulan modeller, her iki veri setine de uygulanmıştır. Sonuç olarak, derin öğrenme ve geleneksel makine öğrenmesi algoritmalarının kullanılmasıyla Parkinson hastalığının erken teşhisinde yüksek doğruluk oranlarına ulaşılmıştır. Bu çalışma, yapay zekâ sistemlerinin ve sınıflandırma yöntemlerin hastalık teşhisinde başarılı bir şekilde kullanılabileceğini doğrulamaktadır. Özellikle MobileNet modelinin yüksek doğruluk oranı ile öne çıktığı görüntü tabanlı teşhis yönteminin etkili bir şekilde kullanılabileceği görülmüştür. Gelecekte, daha fazla hasta verisiyle gerçekleştirilecek çalışmalar, bu hastalığı yaşayan kişiler için umut olacaktır.
Özet (Çeviri)
Parkinson's disease is known as a degenerative disorder of the nervous system, causing difficulties in movement control, tremors, muscle stiffness, and balance problems. This disease poses a significant challenge in terms of diagnosis and treatment. There is currently no definitive treatment method for Parkinson's disease. However, early diagnosis of the disease is of critical importance in terms of treatment and quality of life. In recent years, artifical intelligence and deep learning techniques have been increasingly used in the diagnosis and prediction of complex neurological conditions. With the increase in data availability and accessibility worldwide, artifical intelligence has become an effective tool in predicting and diagnosing diseases. In this study, deep learning and machine learning techniques were employed in the early diagnosis of Parkinson's disease. The study was conducted on two different datasets because it was thought that Parkinson's disease could not be predicted solely from MR images. Therefore, hand-drawn sketches were also used as a supportive data source. In the study, Deep Learning modes such as ResNet-50, VGG-16, MobileNet, DenseNet201 and InceptionV3 were integred using transfer learning. Additionally, machine learning algorithms such as K Nearest Neighbors, Support Vector Machines and Logistic regression were investigated. The developed models were applied to both datasets. In conclusion, high accuracy rates were achieved in the early diagnosis of Parkinson's disease with the use of deep learning and traditional machine learning algorithms. This study confirms that artifical intelligence systems and classification methods can be successfully used in disease diagnosis. Especially, the high accuracy rate of the MobileNet model highlights the effectiveness of image-based diagnostic methods. In the future, studies conducted with more patient data will provide hop efor individuals affected by this disease.
Benzer Tezler
- Derin öğrenme ve kelime gömme modelleri kullanarak parkinson hastalığının analizi
Parkinson disease analysis with deep learning and word embedding models
FEYZA ÇEVİK
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDoğuş ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEYNEP HİLAL KİLİMCİ
- Derin öğrenme ile Parkinson hastalığının sınıflandırılması
Classification of Parkinson's disease with deep learning
PEDRAM KHATAMINO
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ LALE ÖZYILMAZ
- 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
- Parkinson hastalığı için parçacık yığını optimizasyonunda yeni topolojiye dayalı yüksek verimli optimizasyon algoritmasının geliştirilmesi
Development of high efficiency optimization algorithm based on new topology in particle swarm optimization for parkinson's disease
HAWA AHMED ALRAWAYATI
- Derin öğrenme modelleri ile parkinson hastalığının teşhisinde transfer öğrenme tekniğinin etkinliğinin araştırılması
Investigating of the effectiveness of transfer learning technique in the diagnosis of parkinson's disease using deep learning models
ECEM ZORA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET DİKMEN