Detection of dementia diseases with deep learning methods
Derin öğrenme yöntemleri ile demans hastalıklarının tespiti
- Tez No: 963493
- Danışmanlar: DR. ÖĞR. ÜYESİ ONAN GÜREN
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Mühendislik Bilimleri, Science and Technology, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
- Sayfa Sayısı: 101
Özet
Alzheimer hastalığı (AD) ve frontotemporal demans (FTD) gibi nörodejeneratif hastalıklar, benzer klinik semptomlar göstermeleri ve erişilebilir biyobelirteçlerin eksikliği nedeniyle tanı açısından önemli zorluklar oluşturmaktadır. Non-invaziv ve ekonomik bir yöntem olan elektroensefalografi (EEG), demansa bağlı nöral değişimleri araştırmak için umut vadeden bir araç olarak öne çıkmaktadır. Bu tez çalışmasında, EEG'den elde edilen özellikler kullanılarak AD, FTD ve sağlıklı kontrollerin (HC) sınıflandırılmasında derin öğrenme modellerinin potansiyeli incelenmiştir. Çalışmada, 88 katılımcıdan (AD, FTD ve HC) oluşan herkese açık bir EEG veri seti kullanılmıştır. standart frekans bantlarında hesaplanan büyüklük-kare koheransı (MSCoherence) tabanlı fonksiyonel bağlantısallık özellikleri olmak üzere iki temel özellik türü çıkarılmıştır: Her iki özellik türü de konvolüsyonel sinir ağlarına (CNN) uygun şekilde 2 boyutlu görüntü formatına dönüştürülmüştür. MobileNetV2 transfer öğrenme tabanlı derin öğrenme modeli, hem denek bağımlı (10 katlı çapraz doğrulama) hem de denek bağımsız değerlendirme stratejileriyle test edilmiştir. AD vs HC, FTD vs HC, AD vs FTD ve üç sınıflı sınıflandırma görevleri gerçekleştirilmiştir. Elde edilen sonuçlar, özellikle AD ile HC arasındaki ayrımda yüksek sınıflandırma performansına ulaşıldığını ve MSCoherence tabanlı bağlantısallık özelliklerinin FTD'ye özgü değişimleri belirlemede etkili olduğunu göstermektedir. Bu çalışma, EEG'den elde edilen spektral ve bağlantısallık özelliklerinin derin öğrenme modelleri ile işlenmesi yoluyla demans sınıflandırmasına yönelik otomatik, yorumlanabilir ve erişilebilir tanı destek araçlarının geliştirilmesine katkı sağlayabileceğini ortaya koymaktadır.
Özet (Çeviri)
Neurodegenerative diseases such as Alzheimer's disease (AD) and frontotemporal dementia (FTD) pose significant diagnostic challenges due to their similar clinical symptoms and the lack of accessible biomarkers. Electroencephalography (EEG), a non-invasive and economical method, has emerged as a promising tool for investigating neural changes associated with dementia. In this thesis study, the potential of deep learning models for classifying AD, FTD, and HC using features obtained from EEG was investigated. The study used an open EEG dataset consisting of 88 participants (AD, FTD, and HC). Two main feature types were extracted: (1) power spectral density (PSD) features converted into 2D scalp maps using azimuthal equidistant projection (AEP) and (2) functional connectivity features based on magnitude-squared coherence (MSCoherence) calculated in the standard frequency bands of the EEG. Both feature types were converted into a 2D image format suitable for convolutional neural networks (CNNs). The MobileNetV2 transfer learning-based deep learning model was tested using both subject-dependent (10-fold cross-validation) and subject-independent (external test set) evaluation strategies. AD vs HC, FTD vs HC, AD vs FTD, and three-class classification tasks were performed. The results obtained demonstrate high classification performance, particularly in distinguishing between AD and HC, and indicate that MSCoherence-based connectivity features are effective in identifying FTD-specific changes. This study suggests that spectral and connectivity features derived from EEG, when processed using deep learning models, can contribute to the development of automated, interpretable, and accessible diagnostic support tools for dementia classification.
Benzer Tezler
- 3b MRI ve hasta bilgileri kullanarak derin öğrenme ile alzheimer hastalığının erken teşhisi
Early detection of alzheimer's disease with deep learning using 3d MRI and patient informations
ARMAN ATALAR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NİHAT ADAR
- Derin öğrenme yöntemleri ile Alzheimer hastalığının tespiti ve sınıflandırılması
Detection and classification of Alzheimer's disease using deep learning methods
FİRDEVS SÜMEYYE ÇELENLİ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMalatya Turgut Özal ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. HARUN BİNGÖL
- Deep learning methods for classification Alzheimer's disease
Alzheimer hastalığının sınıflandırılmasına yönelik derin öğrenme yöntemleri
HUSAM MOHAMMED ABDULFATTAH SAIF AL-HAMMADI
Yüksek Lisans
İngilizce
2023
Bilim ve TeknolojiFatih Sultan Mehmet Vakıf ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EBUBEKİR KOÇ
- Alzheimer hastalığının farklı düzeylerinin sınıflandırılmasında yapay zeka ve logit regresyon modellerinin karşılaştırılması
Comparison of artificial intelligence and logit regression models in the classification of different levels of alzheimer's disease
NURGÜL BULUT
Doktora
Türkçe
2023
BiyoistatistikEskişehir Osmangazi ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. KEVSER SETENAY ÖNER
- Detection of multistage Alzheimer from 4D FMRI data using deep learning
4D FMRI'dan multistage Alzheimer'in tespiti derin öğrenmeyi kullanan veriler
NAWAZISH ALI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
PROF. DR. REDA ALHAJJ