Derin öğrenme yöntemleri ile beyin görüntülerinden nörolojik bozuklukların sınıflandırılması
Classification of neurological disorders from brain images using deep learning methods
- Tez No: 928411
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET ACI
- Tez Türü: Yüksek Lisans
- Konular: Nöroloji, Neurology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 94
Özet
Nörolojik bozukluklar, beyin, omurilik ve sinir sistemini etkileyen, dünya genelinde milyonlarca insanı etkileyen ciddi sağlık sorunları arasında yer almaktadır. Alzheimer hastalığı, Parkinson hastalığı, akut iskemik inme ve beyin tümörleri gibi nörolojik bozukluklar, her biri kendine özgü klinik özellikleriyle tanı ve tedavi açısından büyük zorluklar sunar. Alzheimer hastalığı, hafıza kaybı ve bilişsel gerilemeyle karakterize edilen progresif bir nörodejeneratif hastalık olup, özellikle yaşlı popülasyonlarda demansın en yaygın nedenidir. Parkinson hastalığı ise, motor semptomlar ve bilişsel bozulmalarla ilerleyen, dopamin eksikliği sonucu ortaya çıkan bir hastalıktır ve yaşlı yetişkinlerde yaygındır. Akut iskemik inme, serebral kan akışının ani kesilmesiyle ciddi nörolojik hasara yol açarak engelliliğin önde gelen nedenlerinden biridir. Beyin tümörleri, hem birincil hem de ikincil olarak gelişebilen ve önemli morbidite ve mortalite oranlarına sahip ciddi bozukluklardandır. Tüm bu bozukluklar, dünya çapında önemli bir halk sağlığı sorunu olarak kabul edilmekte ve özellikle yaşlanan nüfuslar nedeniyle yaygınlıkları giderek artmaktadır. Bu durum, doğru teşhis ve zamanında tedaviye olan ihtiyacı daha da kritik hale getirmektedir. Bu tez çalışmasında, nörolojik bozuklukların erken teşhisi ve doğru sınıflandırılmasına katkıda bulunmak amacıyla yapay zeka ve derin öğrenme yöntemleri kullanılarak bir model geliştirilmiştir. Özellikle beyin manyetik rezonans görüntüleri (MRI) üzerinden nörolojik bozuklukların sınıflandırılmasını amaçlayan bu çalışma, derin evrişimli sinir ağı (CNN) tabanlı CBMDF-Net modeli ile gerçekleştirilmiştir. Tez kapsamında kullanılan veri setleri, Alzheimer, Parkinson, akut iskemik inme ve beyin tümörleri gibi bozuklukların yanı sıra sağlıklı bireylerin beyin MRI görüntülerini de içermektedir. Modelin performansını test etmek için üç farklı deney yapılmıştır. İlk denemede, beş farklı sınıf (Alzheimer hastalığı, Parkinson hastalığı, akut iskemik inme, beyin tümörleri ve sağlıklı bireyler) üzerinde bir sınıflandırma gerçekleştirilmiş ve model %98.82 doğruluk oranına ulaşmıştır. İkinci denemede, nörolojik bozuklukların alt sınıflarını da kapsayan dokuz farklı sınıf kullanılmış ve model %98.31 doğruluk oranı elde etmiştir. Üçüncü denemede, beyin tümörleri ve Alzheimer hastalığı kendi alt grupları üzerinden sınıflandırılmış ve sırasıyla %99.23 ve %99.52 doğruluk oranlarına ulaşılmıştır. CBMDF-Net, bozuklukların farklı aşamalarını ve tiplerini ayırt etmek için kapsamlı bir şekilde eğitilmiş olup, görüntü işleme ve derin öğrenme algoritmaları sayesinde karmaşık beyin yapıları ve patolojilerini doğru bir şekilde analiz etmiştir. Bu bağlamda, modelin elde ettiği yüksek doğruluk oranı, nörolojik bozuklukların teşhisinde derin öğrenme tabanlı yaklaşımların ne kadar etkili olabileceğini göstermektedir. Bu çalışma, nörolojik bozuklukların teşhis süreçlerini hızlandırmak, sağlık profesyonellerine klinik karar verme süreçlerinde destek sağlamak ve hastalara erken müdahale imkanı sunmak açısından önemli bir katkı sunmaktadır. CBMDF-Net modeli, klinik uygulamalarda kullanılabilirliği artırma potansiyeline sahip olup, nörodejeneratif ve akut nörolojik bozuklukların teşhisinde yeni bir adım olarak değerlendirilmektedir.
Özet (Çeviri)
Neurological disorders are serious health issues that affect the brain, spinal cord, and nervous system, impacting millions of people worldwide. Conditions such as Alzheimer's disease, Parkinson's disease, acute ischemic stroke, and brain tumors each present unique clinical characteristics that pose significant challenges for diagnosis and treatment. Alzheimer's disease is a progressive neurodegenerative disorder characterized by memory loss and cognitive decline, and it is the most common cause of dementia in the elderly population. Parkinson's disease is characterized by motor symptoms and cognitive impairments resulting from dopamine deficiency, commonly affecting older adults. Acute ischemic stroke leads to severe neurological damage due to a sudden interruption of cerebral blood flow, making it one of the leading causes of disability. Brain tumors, which can develop both as primary and secondary lesions, represent serious conditions with significant morbidity and mortality rates. All these disorders are recognized as major public health concerns, with their prevalence increasing due to aging populations. This situation heightens the need for accurate diagnosis and timely treatment. In this thesis, a model was developed utilizing artificial intelligence and deep learning methods to contribute to the early diagnosis and accurate classification of neurological disorders. This study aims to classify neurological disorders through brain magnetic resonance imaging (MRI) using a convolutional neural network (CNN)-based model called CBMDF-Net. The datasets employed in this thesis include MRI images of individuals with disorders such as Alzheimer's disease, Parkinson's disease, acute ischemic stroke, and brain tumors, as well as healthy subjects. To evaluate the model's performance, three different experiments were conducted. In the first experiment, a classification was performed on five classes (Alzheimer's disease, Parkinson's disease, acute ischemic stroke, brain tumors, and healthy individuals), achieving an accuracy rate of 98.82%. The second experiment used nine classes, including subtypes of neurological disorders, resulting in an accuracy of 98.31%. In the third experiment, brain tumors and Alzheimer's disease were classified based on their subgroups, attaining accuracy rates of 99.23% and 99.52%, respectively. CBMDF-Net was comprehensively trained to differentiate between various stages and types of disorders, accurately analyzing complex brain structures and pathologies through image processing and deep learning algorithms. In this context, the high accuracy rates achieved by the model demonstrate the effectiveness of deep learning-based approaches in the diagnosis of neurological disorders. This study significantly contributes to expediting the diagnostic processes of neurological disorders, providing support to healthcare professionals in clinical decision-making, and offering early intervention opportunities for patients. The CBMDF-Net model shows potential for increasing applicability in clinical settings, representing a new step in the diagnosis of neurodegenerative and acute neurological disorders.
Benzer Tezler
- Yapay zeka yöntemleri ile Multipl Sklerozis tanısı
Başlık çevirisi yok
BARAN BAYTAR
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. FATMA SİBEL BAYRAMOĞLU
- Yapay zeka teknikleri ile manyetik rezonans görüntülerinden multipl skleroz hastalığının teşhisi ve gelecekteki aktivitesinin tahmini
Identification of multipl sclerosis and prediction of future activity from magnetic resonance images by artificial intelligence techniques
ZÜLEYHA YILMAZ ACAR
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH BAŞÇİFTÇİ
- Beyin damar görüntülerinde dallanma ve uç noktalarin derin öğrenme yöntemleri̇ ile tespi̇ti̇
Detection of branches and end points in cerebral vessel images with deep learning methods
SAMET KAYA
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BERNA KİRAZ
PROF. DR. ALİ YILMAZ ÇAMURCU
- 3B derin öğrenme kullanarak manyetik rezonans görüntülerinde beyin çıkarımı
Brain extraction in magnetic resonance images using 3D deep learning
ÇAĞRI DAŞGIN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KALİ GÜRKAHRAMAN
- 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