Geri Dön

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

  1. Tez No: 912657
  2. Yazar: MEHMET EMRE SERTKAYA
  3. Danışmanlar: PROF. DR. BURHAN ERGEN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Fırat Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  2. 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

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET ÇINAR

  3. Derin öğrenme yöntemleri ile Alzheimer hastalığının tespiti ve sınıflandırılması

    Detection and classification of Alzheimer's disease using deep learning methods

    FİRDEVS SÜMEYYE ÇELENLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMalatya Turgut Özal Üniversitesi

    Enformatik Ana Bilim Dalı

    DOÇ. DR. HARUN BİNGÖL

  4. Deep learning for multi-contrast MRI synthesis

    Çoklu kontrast MRG için derin öğrenme

    MAHMUT YURT

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TOLGA ÇUKUR

  5. Retina hastalıklarının OCT görüntülerinden hibrit tabanlı CNN yöntemi ile tespit edilmesi

    Detection of retinal diseases from OCT images by hybrid-based CNN method

    MÜMTAZ KORKMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TANER TUNCER