Geri Dön

Makine öğrenmesi ile COVİD-19 ilişkili inmenin tespiti

Detection of COVID-19 related stroke with machine learning

PDF İndir

  1. Tez No: 951648
  2. Yazar: EYLEM GÜL ATEŞ
  3. Danışmanlar: PROF. DR. JALE KARAKAYA KARABULUT
  4. Tez Türü: Doktora
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: İnme, COVID-19, Radyomik, Makine öğrenmesi, Sınıf dengesizliği, Stroke, COVID-19, Radiomics, Machine Learning, Class imbalance
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 85

Özet

Bu tez çalışmasının amacı, beyin manyetik rezonans görüntülerinden (MRG) elde edilen radyomik özellikler kullanılarak COVID-19 ilişkili olan ve olmayan akut iskemik inme (AIS) olgularının makine öğrenmesi algoritmalarıyla sınıflandırılması ve bu sınıflandırma süreçlerinin performans açısından karşılaştırılmasıdır. Bu doğrultuda, iki aşamalı bir analiz planlanmış; ilk aşamada AIS tespiti, ikinci aşamada ise AIS tanısı almış bireylerde COVID-19 enfeksiyonu varlığına göre bir ayrım gerçekleştirilmiştir. Sınıflandırma süreci öncesinde, ham beyin MRG verileri üzerinde görüntü önişleme ve özellik çıkarımı adımları uygulanmış; bu kapsamda yeniden boyutlandırma, medyan filtreleme, kafatası çıkarımı ve yanlılık alan düzeltmesi gibi işlemler gerçekleştirilmiştir. Ardından şekil, histogram ve doku temelli radyomik özellikler çıkarılmış ve çeşitli özellik seçim algoritmalarıyla anlamlı özellikler seçilmiştir. Az örnekleme, sentetik azınlık aşırı örnekleme, hibrit yaklaşım ve eğilim skoru eşleştirmesi gibi yeniden örnekleme stratejileriyle sınıf dengesizliği giderilmiş ve elde edilen verilerle çeşitli makine öğrenmesi algoritmaları kullanılarak sınıflandırma modelleri oluşturulmuştur. Çalışmanın ilk aşamasında, sınıflar arasındaki dengesizliği gidermek amacıyla uygulanan yeniden örnekleme yöntemleri, sınıflandırma performansını belirgin ölçüde artırmıştır. Bu aşamada, farklı yeniden örnekleme ve özellik seçim senaryolarına bağlı olarak AUC değerleri 0,846 ile 0,948 arasında değişmiştir. İkinci aşamada ise, sınıf dengesi gözlenmediğinden yeniden örnekleme uygulanmamış; yalnızca özellik seçimi stratejileriyle modelleme yapılmıştır. Bu aşamada elde edilen AUC değerleri 0,702 ile 0,880 aralığında elde edilmiş olup, sınıflandırma modelleri genel olarak yüksek bir performans sergilemiştir. Sonuç olarak, elde edilen bulgular, radyomik temelli makine öğrenmesi modellerinin hem AIS tespitinde hem de COVID-19 ilişkili inme olgularının ayrımında etkili bir şekilde kullanılabileceğini göstermektedir.

Özet (Çeviri)

The aim of this thesis is to classify COVID-19 related and unrelated acute ischemic stroke (AIS) cases using machine learning algorithms trained on radiomic features extracted from brain magnetic resonance imaging (MRI), and to compare the performance of these classification processes. Accordingly, a two-stage analysis was designed: the first stage involves the detection of AIS, and the second stage distinguishes between AIS patients according to the presence of COVID-19 infection. Before classification, image processing and feature extraction steps were applied to raw brain MRI data, including resizing, median filtering, skull stripping, and bias field correction. Following this, shape, histogram, and texture-based radiomic features were extracted, and significant features were selected using various feature selection algorithms. Class imbalance was addressed through resampling strategies such as undersampling, synthetic minority over-sampling technique, hybrid approaches, and propensity score matching. Classification models were constructed using machine learning algorithms based on the prepared datasets. In the first stage of the study, resampling methods applied to address class imbalance led to notable improvements in classification performance, with AUC values ranging from 0.846 to 0.948 depending on the resampling and feature selection scenario. In the second stage, since class balance was already achieved, resampling was not required; instead, modeling was performed based solely on different feature selection strategies. In this phase, AUC values ranged from 0.702 to 0.880, and overall, the classification models demonstrated strong performance. In conclusion, the results indicate that radiomics-based machine learning models can be effectively utilized for both the detection of AIS and the differentiation of COVID-19 related stroke cases.

Benzer Tezler

  1. Tez No

    869604

    COVID-19 enfeksiyonunun biyokimyasal yansımalarının değerlendirilmesi

    Evaluation of biochemical reflections of COVID-19 infection

    MAİDE HACER TEKİN ALAGÖZ

    Doktora

    Türkçe

    Türkçe

    2023

    Biyoistatistikİstanbul Üniversitesi

    Tıbbi Biyokimya Ana Bilim Dalı

    PROF. DR. EVİN ADEMOĞLU

  2. Tez No

    845580

    Doğum oranını etkileyen faktörler için panel veri analizi ve makine öğrenmesi uygulaması: Türkiye örneği

    Panel data analysis and machine learning practice for the factors that affect the birth rate: The Turkiye sample

    MUSTAFA ALİ CAN BERBEROĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İşletmeTOBB Ekonomi ve Teknoloji Üniversitesi

    İşletme Ana Bilim Dalı

    DOÇ. DR. MELİKE METERELLİYOZ

  3. Tez No

    688973

    Deep feature transfer from deep learning models into machine learning algorithms to classify COVID-19 from chest X-ray images

    Göğüs röntgeni görüntülerinden COVID-19 sınıflandırması yapmak amacıyla derin öğrenme modellerinden makine öğrenmesi algoritmalarına derin öznitelik aktarımı

    OZAN GÜLDALİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Matematikİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜL İNAN

  4. Tez No

    752354

    Tıp Fakültesi öğrencilerinin klinik akıl yürütme süreçlerinin öğrenme analitikleri entegre edilmiş bir sanal hasta uygulaması ile incelenmesi

    Investigation of clinical reasoning processes of medical students viA learning analytics integrated virtual patient application

    ALPER BAYAZIT

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Eğitim ve ÖğretimAnkara Üniversitesi

    Tıp Eğitimi ve Bilişim Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İPEK GÖNÜLLÜ

  5. Tez No

    682388

    Ayrıştırım tabanlı yöntemler ile medikal görüntülerin sınıflandırılması

    Classification of medical images with decomposition based methods

    FURKAN EREN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZEYNEP GÜNDOĞAR

Geri Dön