Geri Dön

Novel deep learning approaches for functional MRI data analysis

Fonksiyonel MRG veri analizi için yenilikçi derin öğrenme yöntemleri

  1. Tez No: 891911
  2. Yazar: HASAN ATAKAN BEDEL
  3. Danışmanlar: PROF. TOLGA ÇUKUR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 181

Özet

Fonksiyonel MRI (fMRI), beyin aktivitesini analiz etme yeteneğimizi devrim niteliğinde artırmış ve yüksek boyutlu, zaman serisi verilerine dair içgörüler sunmuştur. Gelişmelere rağmen, mevcut yöntemler genellikle farklı zaman ölçeklerinde bağlamsal temsilleri etkili bir şekilde yakalama ve elde edilen verileri yorumlama konusunda yetersiz kalmaktadır. Bu zorlukları ele alarak, bu tez üç yenilikçi yaklaşım sunmaktadır: BolT, GraphCorr ve DreaMR. Her biri fMRI verilerinin analizini ve yorumlanabilirliğini artırmayı hedeflemektedir. BolT, fMRI zaman serilerini modellemede önemli bir ilerlemeyi temsil eder ve kan-serbest oksijen seviyesine bağlı (BOLD) bir transformer mimarisi kullanır. Bu model, zamanla örtüşen pencereleri işleyerek ve pencere arası düzenleme uygulayarak hem yerel hem de küresel temsilleri çıkaran yenilikçi bir füzyonlu pencere dikkat mekanizması içerir. BolT'nin yaklaşımı, mevcut yöntemleri geliştirir, hassasiyeti artırır ve kapsamlı deneylerle önemli nörobilimsel bulgularla uyum sağlar. GraphCorr, sınıflandırma modellerinde kullanılan statik fonksiyonel bağlantı (FC) özelliklerindeki sınırlamaları ele alır ve bir grafik sinir ağı tabanlı eklenti sunar. Bu yöntem, dinamik gizli FC özelliklerini boyutsal verimliliği koruyarak yakalar ve zaman bilgilerini rafine etmek için bir düğüm gömme ve gecikme filtresi modülü kullanır. Bu özelliklerin mesaj iletimi algoritması aracılığıyla entegrasyonu, temel sınıflandırma modellerinin performansını önemli ölçüde artırır ve kamu veri setlerinde kapsamlı testlerle gösterilmiştir. Son olarak, DreaMR, derin fMRI sınıflandırıcılarının yorumlanabilirliğini yenilikçi bir difüzyon destekli karşı-faktüel yaklaşımıyla ele alır. DreaMR, fraksiyonel çok-aşamalı damıtılmış difüzyon kullanarak yüksek-fideliteli karşı-faktüel örnekler üretir ve uzun menzilli uzaysal-zamansal bağlamları hesaba katmak için bir transformer mimarisi kullanır. Bu yöntem, geleneksel karşı-faktüel teknikleri hem fidelite hem de verimlilik açısından geride bırakır ve sınıflandırıcı kararlarının daha hassas ve eyleme geçirilebilir bir açıklamasını sunar. Bu katkılar, fMRI analizini model performansını ve yorumlanabilirliğini geliştirerek ilerletir ve daha etkili ve içgörülü nörogörüntüleme araştırmalarını kolaylaştırır.

Özet (Çeviri)

Functional MRI (fMRI) has revolutionized our ability to analyze brain activity by providing insights into high-dimensional, time-series data. Despite advancements, existing methods often fall short in their ability to effectively capture contextual representations across varying time scales and interpret the resulting data. Addressing these challenges, this thesis introduces three innovative approaches: BolT, GraphCorr, and DreaMR, each designed to enhance the analysis and interpretability of fMRI data. BolT represents a significant advancement in modeling fMRI time series by utilizing a blood-oxygen-level-dependent transformer architecture. This model incorporates a novel fused window attention mechanism, which enables the extraction of both local and global representations by processing temporally-overlapped windows and employing cross-window regularization. BolT's approach improves upon existing methods, offering enhanced sensitivity and aligning with key neuroscientific findings through extensive experimentation. GraphCorr addresses limitations in static functional connectivity (FC) features used in classification models by introducing a graph neural network-based plug-in. This method captures dynamic latent FC features while preserving dimensional efficiency, employing a node embedder and lag filter module to refine temporal information. The integration of these features through a message passing algorithm significantly enhances the performance of baseline classification models, as demonstrated through comprehensive testing on public datasets. Finally, DreaMR tackles the interpretability of deep fMRI classifiers through a novel diffusion-driven counterfactual approach. By using fractional multi-phase-distilled diffusion, DreaMR generates high-fidelity counterfactual samples and employs a transformer architecture to account for long-range spatiotemporal contexts. This method surpasses traditional counterfactual techniques in both fidelity and efficiency, offering a more precise and actionable explanation of classifier decisions. Together, these contributions advance the field of fMRI analysis by improving model performance and interpretability, thereby facilitating more effective and insightful neuroimaging research.

Benzer Tezler

  1. Deep learning for ınverse problems in ımaging

    Görüntüleme ters problemlerinde derin öğrenme

    HASAN HÜSEYİN KARAOĞLU

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

  2. 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

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  3. A deep learning based protein representation model forlow-data protein function prediction

    Az veri ile protein fonksiyon tahmini için derin öğrenmebazlı bir protein temsil modeli

    SERBÜLENT ÜNSAL

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Sağlık Bilişimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYBAR CAN ACAR

    DOÇ. DR. TUNCA DOĞAN

  4. Measuring and evaluating the maintainability of microservices

    Mikroservislerin sürdürülebilirliğinin ölçülmesi ve değerlendirilmesi

    RAHİME YILMAZ

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FEZA BUZLUCA

  5. Metric learning using deep recurrent networks for visual clustering and retrieval

    Görsel kümeleme ve bulgetir için derin yinelgeli ağlar kullanarak metrik öğrenme

    OĞUL CAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULLAH AYDIN ALATAN