Transfer learning for brain decoding
Beyin çözümleme için transfer öğrenme
- Tez No: 953554
- Danışmanlar: PROF. DR. FATOŞ TUNAY YARMAN VURAL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 142
Özet
İnsan beynini anlamak, bilimde uzun zamandır süregelen önemli bir problemdir. Bu tezde, beyin-davranış ilişkisindeki mekanizmaları ortaya çıkarmak için fonksiyonel manyetik rezonans görüntüleme (fMRI) verilerinden bilişsel bir durumu kestirmek üzere beyin çözümleme problemine odaklanıyoruz. fMRI görüntüleri üzerinde çalışmak, maliyetli veri toplama süreci nedeniyle zordur. Sonuç olarak, fMRI çalışmaları genellikle az sayıda denekle gerçekleştirilir. Son yıllarda mevcut beyin çözümleme veri setlerinin artmasıyla birlikte, nörobilim alanındaki beyin çözümleme çalışmalarında transfer öğrenme yöntemleri uygulanabilir hale gelmiştir. Bu tezde, beyin çözümleme için transfer öğrenme olarak adlandırdığımız, farklı ama ilişkili küçük ölçekli beyin çözümleme çalışmasının performansını iyileştirmek için nörobilim alanındaki mevcut veri ve bilgiden faydalanıyoruz. Beyin çözümleme için transfer öğrenmeye ilişkin iki yaklaşım öneriyoruz. İlk yaklaşımda, bir beyin atlası kullanarak özgün bir Yapılandırılmış Çok Katmanlı Algılayıcı önerdik. Yalnızca hedef veri seti üzerinde eğitilen Yapılandırılmış Çok Katmanlı Algılayıcı modelinin, büyük bir kaynak veri seti üzerinde önceden eğitilmiş olan üç boyutlu evrişimli sinir ağı modeli ile eşit sınıflandırma ve yakınsama süresi performansına sahip olduğunu gözlemledik. İkinci yaklaşımda, ortak bir deneysel paradigma ile elde edilmiş küçük ölçekli veri kümelerini ortak bir uzaya taşıyan yeni bir yöntem önerdik. Bu yöntem, oturum, konu ve veri kümesi ilişkilerini dikkate alarak kümeler arasında transfer edilebilir öznitelikler üretmektedir. Hiyerarşik Grup PCA adı verdiğimiz bu yöntem ve yöntemin denetimli varyantı ile yaratılan ortak öznitelik uzayı veri kümeleri arasındaki uyumsuzluk sorununu azaltmıştır. Böylece, transfer öğrenme ile beyin çözümleme problemini literatürdeki mevcut yöntemlere göre daha etkin ve verimli hale getirmiştir. Deneylerde, önerilen her iki yöntemin de mevcut transfer öğrenme yöntemlerine göre daha iyi performans sağladığı gösterilmiştir.
Özet (Çeviri)
Understanding the human brain is a long-standing challenge in science. In this thesis, we focus on the brain decoding problem, where we estimate a cognitive state from functional magnetic resonance imaging (fMRI) images, to uncover the mechanisms in the brain-behavior relationship. However, due to the costly data acquisition process, fMRI studies are generally performed with a limited number of subjects in an experiment. Furthermore, the indirectly taken measurements introduce difficulties in the analysis of brain mechanisms. With the increase in the available brain decoding datasets in recent years, transfer learning methods become applicable on brain decoding studies in neuroscience domain. In this thesis, we utilize the available data and knowledge in the neuroscience domain to improve the performance of a different but related brain decoding study, that we refer as transfer learning for brain decoding. We suggest two approaches on transfer learning for brain decoding. In the first approach, we propose a novel Structured Multi-Layer Perceptron, utilizing a brain atlas. We observe that the Structured MLP model trained only on the target dataset has on-par classification and convergence time performance with the three dimensional convolutional neural network model, that is pre-trained on a large source dataset. In the second approach, we work on transfer learning between small-scale datasets that follows a common experimental paradigm. We propose Hierarchical Group PCA and its supervised variant for transferable feature generation that regards the session, subject and dataset relations. In the experiments, both methods outperform the state-of-the-art method, steadily on all transfer learning cases.
Benzer Tezler
- Learning transferability of cognitive tasks by graph generation for brain decoding
Beyin çözümlemesi için bilişsel görevlerin aktarılabilirliğinin grafik üretimi ile öğrenimi
BİLGİN COŞKUN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATOŞ TUNAY YARMAN VURAL
- Multi-subject brain decoding using deep learning techniques
Derin öğrenme yöntemlerini kullanarak çok denekli beyin okuma
BURAK VELİOĞLU
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATOŞ TUNAY YARMAN VURAL
YRD. DOÇ. DR. ŞEYDA ERTEKİN BOLELLİ
- Derin öğrenme ile nöronal veri kodunun çözülmesi
Neuronl data decoding with deep learning
FATMA ÖZCAN
Doktora
Türkçe
2023
BiyofizikKahramanmaraş Sütçü İmam ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ALKAN
- An affective framework for brain computer interfaces using transfer learning in virtual environments
Sanal ortamlarda transfer öğrenme kullanılarak beyin bilgisayar arayüzleri için duyuşsal çerçeve oluşturulması
MEHMET ALİ SARIKAYA
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE
- A hybrid transfer learning model for brain tumor classification
Beyin tümörü sınıflandırması için hibrit transfer öğrenme modeli
EZGİSU AKAT
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAdana Alparslan Türkeş Bilim Ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR YILDIRIM
DOÇ. DR. YASİN KAYA