Hibrit derin öğrenme yöntemleri ile beyin görüntüleri ve klinik özellikleri kullanılarak Alzheimer hastalığı sınıflandırması ve derecelendirilmesi
Classification and rating of Alzheimer's disease by using brain images and clinical features with hybrid deep learning methods
- Tez No: 912657
- Danışmanlar: PROF. DR. BURHAN ERGEN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 162
Özet
Alzheimer hastalığının erken teşhisi ve evrelerinin belirlenmesi, hastalığın ilerlemesini yavaşlatmak ve hastaların yaşam kalitesini artırmak açısından büyük bir öneme sahiptir. Bu tez, makine öğrenmesi ve derin öğrenme yöntemleri kullanarak Alzheimer teşhis ve sınıflandırma doğruluğunu artırmayı amaçlamaktadır. Çalışmada, OASIS ve ADNI veri setlerinden elde edilen MRI görüntüleri ve biyobelirteç verileri kullanılmıştır; örneklem Alzheimer, MCI ve sağlıklı bireylerden oluşmaktadır. İlk olarak, ağaç tabanlı algoritmalar (Karar Ağacı, Rastgele Orman, Gradient Boosting vb.) ile bir sınıflandırma sistemi geliştirilmiş ve Gradient Boosting algoritması %91.55 doğruluğa ulaşarak en başarılı sonuçları vermiştir. Ardından, çeşitli özellik çıkarım yöntemleri ile MMSE, CDR ve SES gibi parametrelerin teşhis doğruluğunu artırmada önemli olduğu belirlenmiştir. Gradyan tabanlı filtreler ile iyileştirilen MR görüntüleri, DenseNet201 modeli kullanılarak %98.63 doğrulukla sınıflandırılmıştır. Vision Transformer tabanlı model ise Alzheimer-Normal ve Alzheimer-MCI gibi sınıflandırmalarda %85-%92.5 doğruluğa ulaşarak başarılı sonuçlar vermiştir. Diğer çalışmalarda, Ridge Özellik Seçimi ile optimize edilen hibrit bir model %98.99 doğruluğa ulaşmış ve Otsu eşikleme yöntemi ile görüntü segmentasyonu gerçekleştirilmiştir. Ayrıca, SMA ile optimize edilen ResNet tabanlı model %97.48 doğruluk sağlamış, özellikle MCI sınıfında yüksek performans göstermiştir. Son olarak, mRMR ile optimize edilmiş VGGNet tabanlı bir model, dört sınıf ayrımında %98.59 doğruluğa ulaşmış, özellikle orta derecede demans sınıfında %100 doğruluk ile dikkat çekmiştir. Bu sonuçlar, Alzheimer teşhisinde önerilen yöntemlerin yüksek doğruluk ve etkinlik sunduğunu göstermekte ve literatüre katkı sağlamaktadır.
Özet (Çeviri)
Early diagnosis and identification of the stages of Alzheimer's disease is of great importance to slow down the progression of the disease and improve the quality of life of patients. This thesis aims to improve Alzheimer's diagnosis and classification accuracy using machine learning and deep learning methods. The study utilizes MRI images and biomarker data from OASIS and ADNI datasets; the sample consists of Alzheimer's, MCI and healthy individuals. First, a classification system was developed with tree-based algorithms (Decision Tree, Random Forest, Gradient Boosting, etc.) and the Gradient Boosting algorithm gave the most successful results with an accuracy of 91.55%. Then, with various feature extraction methods, it was determined that parameters such as MMSE, CDR and SES are important in increasing the accuracy of identification. MR images enhanced with gradient-based filters were classified with 98.63% accuracy using the DenseNet201 model. The Vision Transformer-based model, on the other hand, achieved 85%-92.5% accuracy in classifications such as Alzheimer-Normal and Alzheimer-MCI. In other studies, a hybrid model optimized with Ridge Feature Selection achieved 98.99% accuracy and performed image segmentation with Otsu thresholding method. In addition, the ResNet-based model optimized with SMA achieved 97.48% accuracy and performed particularly well in the MCI class. Finally, a VGGNet-based model optimized with mRMR achieved 98.59% accuracy in four class discriminations, with 100% accuracy, especially in the moderate dementia class. These results show that the proposed methods offer high accuracy and efficiency in Alzheimer's diagnosis and contribute to the literature.
Benzer Tezler
- Radyolojı̇k görüntülerde derı̇n öğrenme kullanılarak kanser alt tı̇plerı̇nı̇n ve genotı̇plerı̇nı̇n sınıflandırılmasının gelı̇ştı̇rı̇lmesı̇
Enhancing classification of cancer subtypes and genotypes using deep learning on radiological images
NESLİHAN GÖKMEN İNAN
Doktora
Türkçe
2024
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. OZAN KOCADAĞLI
PROF. DR. CHUNLEİ LIU
- Developing a smart method for real -time brain tumor localization and segmentation on ct ımages using hybrid techniques and yolo
Hibrit teknikler ve yolo kullanilarak bt görüntülerinde gerçek zamanli beyin tümörü lokalizasyonu ve segmentasyonu için akilli bir yöntem geliştirilmesi
NUSAIBAH KHALID ABDULMAJEED AL-SALIHI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
PROF. DR. TURGAY İBRİKÇİ
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Sağlık hizmetlerinde MR tabanlı beyin tümörü teşhisi için derin öğrenme destekli bir klinik karar destek sistemi
A deep learning-enhanced clinical decision support system for MRI-based brain tumor diagnosis in healthcare
ÖMER ÇELİK
Doktora
Türkçe
2025
Sağlık Kurumları YönetimiSüleyman Demirel ÜniversitesiSağlık Yönetimi Ana Bilim Dalı
PROF. DR. NEZİHE TÜFEKCİ
DOÇ. DR. İSHAK PAÇAL
- Derin öğrenme yöntemleri kullanılarak görüntüler üzerinde insan hareketlerinin ve hastalıklarının sınıflandırılması
Classification of human movements and diseases on images using deep learning methods
MUHAMMED YILDIRIM
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ÇINAR