Alzheimer hastalığı erken teşhisinde derin öğrenme modelleri ile tanısal sınıflandırma
Diagnostic classification with deep learning models in early diagnosis of alzheimer's disease
- Tez No: 900837
- Danışmanlar: DOÇ. DR. BÜLENT GÜRSEL EMİROĞLU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Kırıkkale Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 142
Özet
Alzheimer hastalığı (AD), özellikle yaşlanmayla birlikte ortaya çıkan ve tedavisi hala bulunamamış nörolojik bir beyin hastalığıdır. Bu hastalığın kökeni tam olarak belirlenememiştir. Bununla birlikte çeşitli evrelerden oluşan hastalığın erken evrelerde teşhisi, ilerleyici sürecini yavaşlatabilme potansiyeli taşımaktadır. Dünya genelinde yaşam süresinin artması, yaşlı nüfusun artmasına yol açmaktadır. Böylelikle hastalığa yakalanan bireylerin sayısında artış olmaktadır. Bu durum hastaların tedavi ve bakım maliyetlerinin ülkeler üzerine giderek daha fazla yük oluşturacağı öngörüsünü beraberinde getirmektedir. Ayrıca hastalığın ilerleyen aşamalarında bireylerin temel ihtiyaçlarını karşılayamaz hale gelmesi, aile üyelerine sosyolojik olarak büyük bir sorumluluğu da beraberinde getirebilmektedir. Bu sebeplerle Alzheimer hastalığının erken teşhisi hem ekonomik hem de sosyal açıdan büyük önem arz etmektedir. Beyin görüntülerinin analizi için kullanılan morfometrik yöntemler daha geniş kapsamlı veri analizi sağlayarak beyin yapıları arasında ilişkileri yüksek düzeyde yakalayabilir. Özellikle ince detayların ve korelasyonları tespit edebilme kabiliyetinden dolayı, geleneksel görüntü analizinde zorlanılan örüntülerin belirlenmesine yardımcı olur. Bu doğrultuda Alzheimer hastalığının beyindeki yapısal değişikliklerini net bir şekilde izlemek ve anlamak için morfometrik görüntü analizinin kullanılması büyük önem taşımaktadır. Bu yöntem sayesinde hastalığın beyinde meydana getirdiği değişikliklerin doğru bir şekilde analiz edilmesi ve tedavi sürecinin takibi mümkün hale gelir. Böylelikle sağlık çalışanlarına hastalığın seyrini anlama ve yönetme konusunda yardımcı olabilir. Bu tez çalışması, derin öğrenme (DL) tabanlı morfometrik görüntü analizi yöntemleri kullanarak Alzheimer hastalığının erken teşhisini yapmayı amaçlamaktadır. Bu amaçla iki farklı çalışma yürütülen bu tezde, tensör tabanlı morfometri (TBM) tabanlı analiz ile beyindeki hacimsel değişiklikler ve deformasyonlar incelenmiştir. Üç boyutlu işlenmiş TBM görüntüleri farklı beyin bölgelerinden alınan kesitlerle çeşitli DL modelleriyle analiz edilmiştir. Veriler analiz edilmeden önce işlenmeye hazır hala getirilmek için çeşitli veri ön işlem aşamalarından geçirilmiştir. Tez kapsamında yapılan ilk çalışmada beynin medial dilimleri kullanılarak Alzheimer hastalığının erken teşhisi üzerine çalışıldı. Çalışma sonucunda elde edilen doğruluk oranı %48 olarak tespit edildi. Düşük bir doğruluk oranı elde edilmesinin ardından hastalıktan en çok etkilenen bölgeler olan hipokampus ve temporal lob dokularını içeren dilimler üzerine odaklanıldı. Bu dilimler kullanılarak test edilen konvolüsyon sinir ağı (ESA) tabanlı bir model, %93 doğruluk oranına ulaşıldı. Sonrasında doğruluk oranını artırmaya yönelik üçüncü bir strateji olarak, daha ince detayları yakalamak amacıyla model küçük çekirdek filtreleri ile değiştirildi. Bu modelin doğruluk oranı %92'de olarak ölçüldü. Yaklaşımın sonuçları incelendiğinde performans artışı sağlanamadığı görüldü. Sonuç olarak beyin hastalığına özgü bölgelerle beslenen bir model, başarılı bir şekilde hastalığı tahmin edebilmiştir. Ancak küçük filtrelerin kullanılması modelin büyük deformasyon şekillerini yakalama yeteneğini kısıtlamış ve sonuç olarak performans kaybına neden olmuştur. Tez kapsamında yapılan diğer bir çalışma ise transfer öğrenme (TL) yöntemleri ve özelleştirilmiş sinir ağı modeli kullanarak AD erken teşhisini gerçekleştirmeyi hedefledi. Bu çalışmada ilk çalışmada elde edilen sonuçları geliştirme amacı güdüldü. 2D eksenel TBM görüntüleri analizi yaklaşımı sunan önerilen yöntem Xception modeli üzerine inşa edilmiştir. Bu model literatürde tanımlanan diğer ESA modelleriyle karşılaştırılarak değerlendirildi. Yöntem %95,81 oranında yüksek bir sınıflandırma doğruluğu elde etti. Ayrıca yöntemin yüksek duyarlılık, özgüllük, doğruluk ve F1 puanlarına sahip olduğu gözlemledi. ROC eğrisi altındaki alan (AUC) değeri de %0,97 olarak belirlendi. Bu sonuçlara göre yöntemin alternatif yöntemlere kıyasla üstün bir sınıflandırma yeteneği sunduğunu göstermektedir. Bu tez çalışması, tarafsızlık ve tekrarlanabilirdik açısından Alzheimer Hastalığı Nörogörüntüleme Girişimi (ADNI) tarafından sağlanan açık ve ücretsiz bir veri kümesini kullanmıştır. Bu veri kümesi araştırmacıların Alzheimer hastalığını anlaması teşhis etmesi ve yönetmesi için kullanabilecekleri bir kaynak sunmaktadır. ADNI veri tabanı erken aşamada AD'yi tespit etmek, ilerlemesini takip etmek ve gelişimini önlemek amacıyla beyin görüntülerini sağlamaktadır. Tez çalışmasının sonuçları DL tabanlı TBM analizin erken Alzheimer teşhisi için etkili bir araç olduğunu göstermiştir. Ayrıca hekimlerin karar verme sürecinde bilgisayar destekli tanı sistemlerini kullanma potansiyelini ortaya koymaktadır.
Özet (Çeviri)
Alzheimer's disease (AD) is a neurological brain disorder that occurs especially with aging and for which there is still no cure. The origin of this disease has not been fully determined. However, early diagnosis of the disease, which consists of various stages, has the potential to slow down its progressive process. The increase in life expectancy worldwide leads to an increase in the elderly population. Thus, there is an increase in the number of individuals suffering from the disease. This situation brings with it the prediction that the treatment and care costs of patients will increasingly burden countries. In addition, the inability of individuals to meet their basic needs in the later stages of the disease can impose a great sociological burden on family members. For these reasons, early diagnosis of Alzheimer's disease is of great importance, both economically and socially. Morphometric methods for analyzing brain images can provide more comprehensive data analysis and capture high-level relationships between brain structures. In particular, due to its ability to detect fine details and correlations, it helps identify patterns that are difficult to identify in traditional image analysis. Accordingly, it is of great importance to use morphometric image analysis to clearly monitor and understand the structural changes of Alzheimer's disease in the brain. Thanks to this method, it becomes possible to accurately analyze the changes caused by the disease in the brain and monitor the treatment process. This can help healthcare professionals understand and manage the course of the disease.This thesis aims at the early diagnosis of Alzheimer's disease with deep learning (DL)-based morphometric image analysis. For this reason, two different studies were conducted in this thesis, and volumetric changes and deformations in the brain were analyzed with tensor-based morphometry (TBM)-based analysis. Three-dimensional rendered TBM images were analyzed with various deep learning models with cross-sections taken from different brain regions. Before these models, various data preprocessing stages were performed to prepare the images. In the first study conducted within the scope of the thesis, early diagnosis of Alzheimer's disease was studied using medial slices of the brain, and the accuracy rate obtained at this stage was determined to be 48%. After obtaining a low accuracy rate, slices containing hippocampus and temporal lobe tissues, which are the most affected regions of the brain, were taken. Using these slices, a 93% accuracy rate was achieved with a DL-based model. Then, as a third strategy to improve accuracy, the model was replaced with small kernel filters to capture finer details. When the results of this approach were analyzed, it was observed that no performance improvement was achieved. In conclusion, a model fed with brain disease-specific regions was able to successfully predict the disease. However, the use of small filters limited the model's ability to capture large deformation patterns and consequently resulted in performance loss. Another study aimed to achieve an early diagnosis of AD using transfer learning (TL) methods and a customized neural network model. This study aims to improve the results obtained in the first study. The proposed method, which offers an approach to analyzing 2D axial TBM images, is built on the Xception architecture. This model was evaluated against other convolutional neural network (CNN) models examined in the literature and achieved a high average classification accuracy of 95.81%. It was also observed to have excellent sensitivity, specificity, accuracy, and F1 scores. The area under the ROC curve (AUC) value was also determined to be 0.97%. These results show that the method offers superior classification capability compared to alternative methods. In terms of objectivity and reproducibility, this thesis used an open and free dataset provided by the Alzheimer's Disease Neuroimaging Initiative (ADNI). This dataset provides a resource that researchers can use to understand, diagnose, and manage the disease. The ADNI database provides brain images to detect AD at an early stage, track its progression, and prevent its development. The results of the thesis study showed that DL-based TBM analysis is an effective tool for early Alzheimer's diagnosis. It also demonstrates the potential of using computer-aided diagnostic systems in the decision-making process of physicians.
Benzer Tezler
- EEG sinyallerinin zaman-frekans gösterimlerinin derin öğrenme ile analizi sonucu alzheimer hastalığının tespiti
Detection of alzheimer disease through deep learning analysis of EEG signals' time-frequency representations
MERAL ASLAN DİL
Yüksek Lisans
Türkçe
2024
Biyomühendislikİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT KAÇAR
PROF. DR. AYDIN AKAN
- Alzheimer ve göğüs kanseri görüntülerinin derin öğrenme yöntemleri ile sınıflandırılması
Classification of alzheimer's and breast cancer images with deep learning methods
YEŞİM TİRAKİ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN TEMURTAŞ
DR. ÖĞR. ÜYESİ ÇİĞDEM BAKIR
- 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
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Deep learning methods for classification Alzheimer's disease
Alzheimer hastalığının sınıflandırılmasına yönelik derin öğrenme yöntemleri
HUSAM MOHAMMED ABDULFATTAH SAIF AL-HAMMADI
Yüksek Lisans
İngilizce
2023
Bilim ve TeknolojiFatih Sultan Mehmet Vakıf ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EBUBEKİR KOÇ
- Alzheimer hastalığı tespiti ve CNN model sınıflandırması
Başlık çevirisi yok
CEREN GÜNDÜZALP
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKALP TULUM