Makine öğrenmesi ile COVİD-19 ilişkili inmenin tespiti
Detection of COVID-19 related stroke with machine learning
- Tez No: 951648
- Danışmanlar: PROF. DR. JALE KARAKAYA KARABULUT
- Tez Türü: Doktora
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: İnme, COVID-19, Radyomik, Makine öğrenmesi, Sınıf dengesizliği, Biyoistatistik, Stroke, COVID-19, Radiomics, Machine Learning, Class imbalance, Bioistatistics
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
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
- Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu
Başlık çevirisi yok
İRFAN KARAGÖZ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ BORAT
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ
- Yenileme yatırımları
Başlık çevirisi yok
OSMAN NURİ FİLİZ
Yüksek Lisans
Türkçe
1986
İşletmeGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN OKKA
- Çeltik kabuklarının yalıtım malzemesi olarak kullanılması
Başlık çevirisi yok
B.CİHAN ÇELEBİ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KIRBIYIK
- Hızlı katılaşma ile yüksek mukavemetli malzemelerin üretilmesi ve kurşun-asit akümalatörlerine uygulanması
Başlık çevirisi yok
ÜMİT AKÇAL
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİM DEMİRCİ