Geri Dön

Manyetik rezonans görüntüleri yardımıyla Multiple Skleroz hastalığının tanısı için derin öğrenme yöntemlerinin analizi

Analysis of deep learning methods using magnetic resonance images for the diagnosis of Multiple Sclerosis disease

PDF İndir

  1. Tez No: 920828
  2. Yazar: FATMA AKSU
  3. Danışmanlar: DOÇ. DR. AHMET CEVAHİR ÇINAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 71

Özet

Multiple Skleroz (MS), genç ve orta yaşlı bireylerde sıkça görülen, merkezi sinir sistemini (MSS) etkileyen kronik bir nörolojik hastalıktır. Beyin ve omurilikte iltihaplanmaya yol açan bu hastalık, sinir hücrelerinin etrafındaki miyelin kılıfının hasar görmesi sonucu sinyal iletiminde aksaklıklara neden olur. Bu durum, bilişsel işlev kayıpları ve fonksiyonel yetersizliklere yol açabilir. Hastalığın ilerleyen evrelerinde geri dönüşü olmayan sinir hasarları meydana gelebilir. MS hastalarında yaşanan bu durumlar, hastalığın erken dönemde teşhis edilmesi ve yakından izlenmesini son derece önemli hale getirmektedir. MS teşhisinde en yaygın kullanılan görüntüleme yöntemi Manyetik Rezonans Görüntüleme (MRG) olup, tanı genellikle MS lezyonlarının gözlemlendiği iki farklı zaman diliminde yapılan taramalarla konulur. Hastalığın ilerleyişinin takibi, bu lezyonların MRG kesitlerinde zamana bağlı değişimlerinin izlenmesiyle yapılmaktadır. Ancak MS lezyonlarının küçük boyutları ve diğer nörolojik hastalıklarla benzerlik göstermesi, doğru tanı koymayı zorlaştırmaktadır. MS, beynin farklı bölgelerinde görülebilen inflamatuar bir süreçle karakterize olduğu için her hastada farklı belirtiler ortaya çıkmakta ve bu da hastalığın tanısal sürecinde zorluklara yol açmaktadır. MRG, beyin ve omurilikteki yapısal değişiklikleri gözlemlemek için MS tanısında önemli bir nörogörüntüleme yöntemidir. Beyinde oluşan MS plakları, MRG ile net bir şekilde görülebilir. Lezyonların aktivitesi, damar yoluyla uygulanan paramanyetik bir madde olan gadolinyum (Gd) kullanılarak değerlendirilebilir; aktif, yani akut MS plakları bu maddeyi bünyelerinde tutarken, kronik plaklar bu maddeyi emmez. Dolayısıyla, gadolinyum tutulumu bir lezyonun aktif olduğunu gösterir. Son yıllarda derin öğrenme (DÖ) ve yapay zeka (YZ) tekniklerinin gelişimi, MRG görüntülerinin analizine önemli katkılar sağlamıştır. Derin öğrenme algoritmaları, büyük veri setlerinden otomatik olarak öğrenerek özellik çıkarımı, sınıflandırma ve segmentasyon gibi görevlerde yüksek performans sergileyerek MS ve benzeri nörolojik hastalıkların tanısında kritik bir yardımcı araç olarak kullanılmaktadır. Örneğin, ResNet101 modeli derin sinir ağlarında aşırı öğrenmeyi azaltarak daha verimli bir öğrenme sağlarken; VGG16 ve DenseNet121 gibi ağlar, görüntü sınıflandırmasında yüksek doğruluk oranları sunmaktadır. Özellikle DenseNet121, daha hızlı eğitim süresi ve yüksek doğruluk oranları ile dikkat çekerken; InceptionV3 çok boyutlu filtreler kullanarak daha ayrıntılı özellik çıkarımı yapabilmektedir. MobileNet ise mobil ve gömülü cihazlar için optimize edilmiştir ve bu sayede düşük donanım kaynaklarıyla yüksek performans sağlar. Bu tez çalışmasında, MS teşhisine yönelik olarak MRG görüntülerinin analizine dayalı yeni bir DÖ tabanlı YZ modeli geliştirilmiştir. Bu model, Öznitelik Entegrasyonu metodu ile önceden eğitilmiş ağ mimarilerinden daha fazla öznitelik çıkarımı sağlamaktadır. Düşük ve yüksek seviyeli öznitelikler bir araya getirilerek nihai öznitelik haritası elde edilmiştir. Önceden eğitilmiş VGG16, ResNet101, InceptionV3, MobileNet ve DenseNet121 ağları kullanılarak elde edilen özellikler derin evrişim katmanlarıyla birleştirilmiştir. Yapılan deneylerde kullanılan veri seti, 2021 yılında Turgut Özal Üniversitesi Tıp Fakültesi'ne başvuran 72 MS hastası ve 59 sağlıklı bireyden alınan aksiyal ve sagital FLAIR beyin MR görüntülerinden oluşmaktadır. MS ve sağlıklı arasında ikili sınıflama için yalnızca aksiyel (n = 1652), yalnızca sagital (n = 1775) ve birleşik aksiyel ve sagital görüntülerden (n = 3427) oluşan üç farklı veri alt kümesi oluşturulmuştur. Aksiyel görüntüler için DenseNet121 modeli ile %98,78, sagital görüntüler için ise VGG16 modeli ile %99,32 doğruluk oranları elde edilmiştir. Ayrıca, geliştirilen modellerin SKS (Saniyedeki Kare Sayısı) performansları literatürdeki benzer modellerle karşılaştırılmıştır. ResNet101 tabanlı model, literatürdeki 27 SKS değerine kıyasla 28 SKS ile hafif bir performans artışı göstermiştir. DenseNet121 tabanlı modelde ise 32 SKS olan literatür değerine karşılık 37 SKS elde edilerek daha belirgin bir iyileşme sağlanmıştır. InceptionV3 tabanlı model, 33 SKS olan literatür değerine kıyasla 39 SKS ile daha yüksek bir performans sergilemiştir. Ancak, VGG16 tabanlı modelde ters bir durum gözlemlenmiş; önerilen model 87 SKS ile literatürdeki 123 SKS değerinin gerisinde kalmıştır. Bu performans düşüşü, önerilen modelde ara katmanlardan öznitelik çıkarımı yapılmasına bağlanmakta olup, VGG16'nın geleneksel hiyerarşik evrişim yapısının bu süreçte verimliliği azalttığı görülmüştür. Diğer yandan, InceptionV3'teki çok boyutlu filtreler ve ResNet101'deki atlamalı bağlantılar gibi yenilikçi evrişim blokları, SKS performansında kayıp yaşanmasını önlemiş ve hatta artış sağlamıştır. Genel olarak, önerilen modellerin çoğu, literatürdeki modellere kıyasla daha yüksek SKS değerleri sunarak işlem hızında önemli kazanımlar sağlamıştır. Bu sonuçlar, derin öğrenme tabanlı sistemlerin MS tanısında etkili bir karar destek aracı olarak kullanılabileceğini göstermektedir. Bu tür Bilgisayar Destekli Teşhis (BDT) sistemlerinin geliştirilmesi, erken teşhiste hekimlere yardımcı olarak hastalığın bireylerin yaşam kalitesini olumsuz yönde etkilemesini engellemeye katkı sunacaktır.

Özet (Çeviri)

Multiple Sclerosis (MS) is a chronic neurological disease that frequently affects young and middle-aged individuals and impacts the central nervous system (CNS). This disease, which causes inflammation in the brain and spinal cord, leads to damage to the myelin sheath surrounding nerve cells, resulting in disruptions in signal transmission. This can lead to cognitive function losses and functional disabilities. In the later stages of the disease, irreversible nerve damage can occur. These conditions in MS patients make it extremely important to diagnose the disease early and closely monitor its progression. The most commonly used imaging method for MS diagnosis is Magnetic Resonance Imaging (MRI), and the diagnosis is generally made by observing MS lesions in scans performed at two different time intervals. Monitoring the progression of the disease is done by tracking the time-dependent changes of these lesions in MRI slices. However, the small size of MS lesions and their similarity to other neurological diseases make accurate diagnosis difficult. Since MS is characterized by an inflammatory process in different areas of the brain, different symptoms emerge in each patient, making the diagnostic process challenging. MRI is one of the most important neuroimaging techniques for observing structural changes in the brain and spinal cord in MS diagnosis. MS plaques in the brain can be clearly visible with MRI. The activity of lesions can be evaluated using gadolinium (Gd), a paramagnetic substance administered through the bloodstream; active, or acute MS plaques retain gadolinium, while chronic plaques do not absorb this substance. Therefore, gadolinium uptake indicates that a lesion is active. In recent years, the development of deep learning (DL) and artificial intelligence (YZ) techniques has made significant contributions to the analysis of MRI images. Deep learning algorithms, which automatically learn from large datasets, perform well in tasks such as feature extraction, classification, and segmentation, and are used as critical auxiliary tools in the diagnosis of MS and similar neurological diseases. For example, the ResNet101 model reduces overfitting in deep neural networks, allowing for more efficient learning, while networks such as VGG16 and DenseNet121 provide high accuracy in image classification. Especially, DenseNet121 stands out with its faster runtime time and high accuracy rates, while InceptionV3 can perform more detailed feature extraction using multi-dimensional filters. MobileNet, on the other hand, is optimized for mobile and embedded devices, providing high performance with low hardware resources. In this thesis, a new DL-based YZ model for analyzing MRI images for MS diagnosis has been developed. This model provides more feature extraction from pre-trained network architectures through a Feature Integration method. Low-level and high-level features are combined to obtain the final feature map. Features extracted using pre-trained VGG16, ResNet101, InceptionV3, MobileNet, and DenseNet121 networks are combined with deep convolutional layers. The dataset used in the experiments consists of axial and sagittal FLAIR brain MRI images prospectively obtinated from 72 MS patients and 59 healthy male and female individuals who applied to the Turgut Özal University Faculty of Medicine in 2021. Three subsets of the dataset were created for binary classification between MS and healthy: axial images only (n = 1652), sagittal images only (n = 1775), and combined axial and sagittal images (n = 3427). DenseNet121 achieved an accuracy of 98.78% for axial images, while the VGG16 model achieved 99.32% accuracy for sagittal images. Moreover, the FPS (Frames Per Second) performances of the developed models were compared with similar models in the literature. The ResNet101-based model showed a slight performance improvement with 28 FPS compared to the literature value of 27 FPS. The DenseNet121-based model showed a more significant improvement with 37 FPS, compared to the literature value of 32 FPS. The InceptionV3-based model demonstrated higher performance with 39 FPS compared to the literature value of 33 FPS. However, in the VGG16-based model, a reverse situation was observed; the proposed model performed at 87 FPS, falling behind the literature value of 123 FPS. This performance drop is attributed to feature extraction from intermediate layers in the proposed model, where the traditional hierarchical convolutional structure of VGG16 decreased its efficiency in this process. On the other hand, innovative convolution blocks like multi-dimensional filters in InceptionV3 and skip connections in ResNet101 prevented performance loss in FPS and even led to an increase. Overall, most of the proposed models provided higher FPS values compared to models in the literature, resulting in significant improvements in processing speed. These results demonstrate that deep learning-based systems can be used as an effective decision support tool in MS diagnosis. The development of such Computer-Aided Diagnosis (CAD) systems will help physicians in early diagnosis and contribute to preventing the disease from negatively impacting individuals' quality of life.

Benzer Tezler

  1. Tez No

    203933

    Manyetik rezonans görüntülemede beyaz cevher tutulumu olan serebral küçük damar hastalıklı ve mutipl sklerozlu hastalarda talamus difüzyonlarının karşılaştırılması

    Comparison of thalamic diffusion in patients with cerebral small vessel disease and multiple sclerosis who have white matter involvement on magnetic resonance imaging

    BİLGE ÖZTOPRAK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2008

    Radyoloji ve Nükleer TıpCumhuriyet Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. İBRAHİM ÖZTOPRAK

  2. Tez No

    798730

    Metastaz tanısı için çoklu radyomik verileri ile yapay zeka tabanlı karar destek sistemi oluşturulması

    Creating an artificial intelligence based decision support system with multiple radiomic datas for the diagnosis of metastasis

    EMİNE ACAR AKKAYA

    Doktora

    Türkçe

    Türkçe

    2023

    OnkolojiDokuz Eylül Üniversitesi

    Onkoloji Ana Bilim Dalı

    PROF. DR. ENDER BERAT ELLİDOKUZ

    PROF. DR. YASEMİN BAŞBINAR

  3. Tez No

    729269

    Multipl skleroz hastalarında optik koherens tomografi bulguları, görme keskinliği ve manyetik rezonans görüntüleme bulguları ile ilişkinin değerlendirilmesi

    Evaluation of the relationship between the patients with multiple sclerosis and optical coherence tomography findings, visual acuity and magnetic resonance imaging evi̇dence

    KIVANÇ ÖZEN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Göz HastalıklarıSağlık Bilimleri Üniversitesi

    Göz Hastalıkları Ana Bilim Dalı

    PROF. DR. GAMZE TÜRE

  4. Tez No

    910928

    Multipl skleroz alt tiplerinde optik koherens tomografi anjiografi ile retinal vasküler ağın değerlendirilmesi ve bunun klinik ile ilişkisi

    Evaluation of retinal vascular network with optical coherance tomography angiography in multiple sclerosis sub-types and its relationship with the clinic

    BİRSEN ULUCA KAYA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2021

    Göz HastalıklarıSağlık Bilimleri Üniversitesi

    Nöroloji Ana Bilim Dalı

    DOÇ. DR. SEMRA ÖZTÜRK MUNGAN

  5. Tez No

    933793

    Limbik sistem mikroanatomisi: Ak madde diseksiyonu ve difüzyon tensör görüntüleme eşliğinde 3 boyutlu incelenmesi

    Microanatomy of the limbic system: A three-dimensional examination using white matter dissection and diffusion tensor imaging

    UFUK TEMTEK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    NöroşirürjiAtatürk Üniversitesi

    Nöroşirürji Ana Bilim Dalı

    PROF. DR. HAKAN HADİ KADIOĞLU

    DOÇ. DR. METE ZEYNAL

Geri Dön