MR görüntüleri ve derin öğrenme algoritmaları kullanılarak Alzheimer hastalığının tanısı ve sınıflandırılması
Diagnosis and classification of Alzheimer's disease using MRI images and deep learning algorithms
- Tez No: 933443
- Danışmanlar: PROF. DR. UĞUR ÇAVDAR
- Tez Türü: Doktora
- Konular: Biyoteknoloji, Mekatronik Mühendisliği, Biotechnology, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İzmir Demokrasi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mühendislik Bilimleri Ana Bilim Dalı
- Bilim Dalı: Mekatronik Bilim Dalı
- Sayfa Sayısı: 418
Özet
Bu çalışmada, Alzheimer hastalığının teşhisinde MR görüntüleri kullanılarak derin öğrenme modelleri ile özgün olarak performans analizi yapılmıştır. Kaggle veri tabanından elde edilen Alzheimer hastalığına özgü MR görüntüleri üzerinde, VGG16, VGG19, ResNet50, ResNet100, Xception, DenseNet121 ve DenseNet201 gibi çeşitli derin öğrenme modelleri değerlendirilmiştir. Bu modeller, SGD, RMSProp, Adamax, Adadelta, Adam ve özel olarak tasarlanmış AME gibi optimizasyon algoritmaları ve ReLU, ELU, Hiperbolik Tanjant, Sigmoid, özel tasarlanmış SAFU gibi aktivasyon fonksiyonları ile test edilmiştir. Araştırma sonuçlarına göre, DenseNet201 modeli, Adam optimizasyon algoritması ve ELU aktivasyon fonksiyonu ile 0.9872 F1 skoru elde ederek, diğer modellere göre en yüksek performansı sergilemiştir. Bu sonuç, Alzheimer hastalığının erken teşhisinde DenseNet201 modelinin potansiyelini vurgulamaktadır. Ayrıca, adaptif öğrenme oranına sahip algoritmalar ve doğrusal olmayan aktivasyon fonksiyonları yüksek performans sergilemiştir, bu da hızlı konverjans ve etkili öğrenme süreçlerini destekler niteliktedir. Bu çalışma, Alzheimer hastalığının sınıflandırılmasında derin öğrenme tekniklerinin etkinliğini göstermiş ve özellikle AME ve SAFU gibi algoritmaların geliştirilmesi ve uygulanmasının bu alanda önemli ilerlemeler sağlayabileceğini ortaya koymuştur. Gelecekteki araştırmaların, çeşitli derin öğrenme mimarileri ve hiper-parametre ayarlarını daha geniş veri setleri üzerinde test etmesi, model doğruluğunu artırabilir ve Alzheimer hastalığının erken teşhisinde daha büyük başarılar elde edilmesini sağlayabilir.
Özet (Çeviri)
In this study, a unique performance analysis was conducted using deep learning models for the diagnosis of Alzheimer's disease with MR images. MR images specific to Alzheimer's disease, obtained from the Kaggle database, were evaluated using various deep learning models such as VGG16, VGG19, ResNet50, ResNet100, Xception, DenseNet121, and DenseNet201. These models were tested with optimization algorithms such as SGD, RMSProp, Adamax, Adadelta, Adam, and the specially designed AME, and activation functions including ReLU, ELU, Hyperbolic Tangent, Sigmoid, and the specially designed SAFU. According to the research results, the DenseNet201 model, with Adam optimization algorithm and ELU activation function, achieved the highest performance with an F1 score of 0.9872 compared to other models. This result highlights the potential of the DenseNet201 model in the early diagnosis of Alzheimer's disease. Additionally, algorithms with adaptive learning rates and non-linear activation functions have shown high performance, which supports rapid convergence and effective learning processes. This study demonstrates the effectiveness of deep learning techniques in classifying Alzheimer's disease and particularly highlights the potential advancements that could be achieved with the development and implementation of specially designed algorithms such as AME and SAFU. Future research testing various deep learning architectures and hyper-parameter settings on broader datasets could improve model Doğruluk and achieve greater success in the early diagnosis of Alzheimer's disease.
Benzer Tezler
- Parkinson hastalarının dikkat fonksiyonlarına ait beyin aktivasyonlarının fonksiyonel MRG ile incelenmesi ve evrişimsel sinir ağları ile sınıflandırılması
Analysis of the brain activations of attention functions of Parkinson patients with functional MRI and classification with conventional neural networks
NUR YILMAZ
Yüksek Lisans
Türkçe
2022
BiyomühendislikSelçuk ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜZİN ÖZMEN
- 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
MEHMET EMRE SERTKAYA
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURHAN ERGEN
- Yapay zeka derin öğrenme algoritmaları ile mr görüntüleri ve ameliyat sırasındaki mikroskop görüntüleri kullanılarak derin öğrenme tekniği ile tümör sınıflaması yapılması ve tümörün normal beyin dokusundan ayırt edilmesinin sağlanması
Başlık çevirisi yok
EFECAN ÇEKİÇ
Tıpta Uzmanlık
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBeyin ve Sinir Cerrahisi Ana Bilim Dalı
PROF. DR. ADNAN DAĞÇINAR
- Beyin MR görüntülerinin akıllı yöntemler ile sınıflandırılması, kümelenmesi ve bölütlenmesi
Classification, clustering and segmentation of brain MR images by intelligent methods
FARUK ALTUNTAŞ
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. YAŞAR BECERİKLİ
- Derin öğrenme yöntemleri kullanarak beyin tümörü teşhisi ve sınıflandırması
Brain tumor diagnosis and classification using deep learning methods
ABDULLAH SAKIN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MAHMUT HEKİM