Geometric deep learning of brain connectomes over the spectrum of dementia
Demans spektrumu üzerinde beyin konnektomlarının geometrik derin öğrenimi
- Tez No: 930301
- Danışmanlar: PROF. DR. BURAK ACAR
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 157
Özet
Alzheimer Hastalı˘gı Demansı (ADD), bilişsel fonksiyonları etkileyen ve farklı evrelere sahip ilerleyici bir nörodejeneratif bozukluktur. ADD'nin doğru bir ¸sekilde teşhis edilmesi ve ilerleyişinin izlenmesi, erken müdahale ve tedavi için büyük önem taşımaktadır. Bu tezde, Geometrik Derin ¨Öğrenme'nin, ¨ozellikle Çizge Sinir Ağları'nın (Graph Neural Networks - GNNs), ADD teşhisi için beyin ağı analizine uygulanmasını, yapısal ve işlevsel beyin ağlarına odaklanarak inceliyoruz. Tez, üç ana hedef etrafında yapılandırılmıştır: (1) yapısal, işlevsel ve ¸coklu-modal beyin ağlarının analizi için GNN'lerin değerlendirilmesi, (2) ADD teşhisi için yapı-fonksiyon ilişkisini nicelleştiren yenilikçi bir GNN tabanlı biyobelirteç geliştirilmesi ve (3) ADD ile ilişkili alt ağları vurgulayabilen yeni bir GNN ¨onerilmesi. Bu hedefler aracılığıyla, hem geliştirilmiş tanı araçları hem de ADD'nin ilerleyişine dair daha derin bir anlayış sunmayı amaçlıyoruz. Sonuç olarak, bu tez, GNN'lerin ADD teşhisi ve izlenmesindeki gücünü ve potansiyelini göstermektedir. Sadece gelişmiş performans sunmakla kalmayıp aynı zamanda elde edilen sonuçların nörolojik bir temele dayandırılmasını sağlayan yöntemler sunulmaktadır. Bu ilerlemeler, ADD teşhislerinin hem doğruluğunu hem de yorumlanabilirliğini artırmayı hedeflemekte ve hastalığın ilerleyişinin daha iyi anlaşılmasına katkıda bulunarak erken müdahale stratejilerini kolaylaştırmayı amaçlamaktadır.
Özet (Çeviri)
Alzheimer's Disease Dementia (ADD) is a progressive neurodegenerative disorder that impairs cognitive function with different stages. Accurate diagnosis and monitoring of ADD progression are crucial for early intervention and treatment. In this thesis, we investigate the application of Geometric Deep Learning, specifically Graph Neural Networks (GNNs), to brain network analysis for ADD diagnosis, with a focus on structural and functional brain networks. The thesis is structured around three primary objectives: (1) evaluating GNNs for structural, functional, and multi-modal brain network analysis, (2) developing a novel GNN-based biomarker quantifying structure-function relationship for ADD diagnosis, and (3) proposing a novel GNN that is capable of highlighting ADD-related subnetworks. Through these objectives, we seek to provide both improved diagnostic tools and deeper insights into the progression of ADD. In summary, this thesis demonstrates the power and potential of GNNs in diagnosing and monitoring ADD, presenting state-of-the-art methods that offer not only improved performance but also a neurological basis for the explanations of the results. These advancements aim to enhance both the accuracy and interpretability of ADD diagnostics, ultimately contributing to a better understanding of disease progression and facilitating early intervention strategies.
Benzer Tezler
- Novel centrality, topology and hierarchical-aware link prediction in dynamic networks
Dinamik ağlarda merkezilik, topoloji ve hiyerarşik tabanlı bağlanti tahmini
ABUBAKHARI SSERWADDA
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
YRD. DOÇ. ALPER ÖZCAN
- Multi-modal neuroimaging data prediction: Estimation of connectional brain template and multigraph classification with application to gender fingerprinting
Çoklu modal nörogörüntüleme veri tahmini: Bağlantılı beyin şablonunun tahmini ve cinsiyet parmak izi uygulaması ile çoklu grafik sınıflandırma
NADA CHAARI
Doktora
İngilizce
2021
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE CAMGÖZ AKDAĞ
DR. ÖĞR. ÜYESİ ISLEM REKIK
- Yapay sinir ağları ile optik karakter tanıma
Optical character recognition with artificial neural network
MURATCAN UZTEMUR
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. AFİFE LEYLA GÖREN SÜMER
- Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models
Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma
NEŞE GÜNEŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Dikkat eksikliği hiperaktivite bozukluğunun makine ve derin öğrenme teknikleri ile tespiti
Detection of attention deficit hyperactivity disorder by machine and deep learning techniques
GÜLAY ÇİÇEK
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBiyomedikal Ana Bilim Dalı
PROF. DR. AYDIN AKAN