Deep learning-based analysis of retinal OCT) scans for diagnosis of alzheimer's disease
Optik koherens tomografi taramaları ve derin ögrenme tabanlı alzheimer hastalıgı teshisi
- Tez No: 992076
- Danışmanlar: DOÇ. DR. FAİK BORAY TEK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Işık Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ağ tabakası kalınlığındaki değişimler, Alzheimer hastalığı (AH) gibi nörodejeneratif hastalıklarla ilişkilendirilmiştir. Bu yapısal değişiklikler, Optik Koherens Tomografi (OCT) adı verilen girişimsel olmayan bir görüntüleme teknolojisi kullanılarak ölçülebilmektedir. Önceki araştırmalar çoğunlukla, OCT veya OCTA aygıtlarından elde edilen bölütlenmiş ağ tabakası kalınlığı ile AH arasındaki istatistiksel ilişkilere odaklanmıştır. Geleneksel tıbbi görüntü sınıflandırma görevlerinin aksine, görüntülemenin klinik tanıdan birkaç yıl önce gelmesi nedeniyle erken kestirim (tespit), tanı koymaktan daha zorludur. Derin öğrenme (DÖ), özellikle evrişimli sinir ağları ve aktarımlı öğrenme aracılığıyla, görüntü tabanlı hastalık tespiti görevlerinde güçlü bir başarım sergilemiştir. Ancak, erken AH tespiti için DÖ'nün doğrudan bölütlenmemiş ham OKT B-taraması görüntüleri üzerinde uygulanması henüz yeterince araştırılmamıştır. Bu nedenle, bu tezde, erken Alzheimer hastalığı tespiti için ham OCT görüntülerini kullanan derin öğrenme tabanlı bir yaklaşım önererek bu araştırma boşluğunu ele alıyoruz. Literatürdeki ilgili tüm çalışmalar, büyük ölçüde birlikte çalışabilirlikten yoksun olan özel ve kurumsal kohortlara dayanmaktadır. Buna karşılık, UK_Biobank, ağ tabakası yapısı ile sistemik sağlık arasındaki ilişkileri araştırmak için benzersiz bir kaynak sunmakta olup bilişsel ve sağlıkla ilgili verilerle bağlantılı 85.000'den fazla OCT taramasını içermektedir. İlk tarama (2010–2015) ile Temmuz 2023 arasında, veri kümesindeki 539 katılımcıya AH tanısı konmuştur. Bu nedenle, UK Biobank OKTA taramalarının eksikliği nedeniyle bir miktar sınırlı olsa da, bu tezde OCT taramalarını kullanarak erken AH tespiti yapmak için bu veri kümesini kullandık. Titiz bir veri dışlama sürecinin ardından bu çalışma, temel değerlendirmelerinden sonraki 4 yıl içinde AH tanısı konan katılımcıları seçerek hedeflenmiş 4 yıllık bir pencere kullanmıştır. AH grubu; yaş, cinsiyet, göz ve örneğe göre rastgele seçilmiş dengeli bir Sağlıklı Kontrol grubu (N = 30) ile eşleştirilmiştir. İlk olarak, önceden eğitilmiş derin öğrenme mimarilerini kullanarak yalıtılmış 2B B-taramalarının kestirimsel değerini değerlendirdik. Bu testlerde, ResNet-34 modeli 0.624 ± 0.060 değerinde bir Ortalama AUC elde etmiştir. Bu B-taramalarının belirginlik haritası analizi, merkezi maküler bölgenin kritik önemini vurgularken, çevresel alanların modelin kararına göz ardı edilebilir bir katkı sağladığını göstermiştir. Yalıtılmış B-taramalarının sınırlamalarını aşmak ve 3B bilgiden yararlanmak için, OCT B-taramalarından 3B tabanlı bir yüzeysel (en-face) kalınlık izdüşüm haritası oluşturduk. Bu iş hattı, çevresel gürültüyü etkili bir şekilde filtreleyen ve tanısal açıdan ilgili olan 3 mm'lik iç maküler bölgeye odaklanacak şekilde eniyilenmiştir. Kalınlık haritaları üzerine yaptığımız çalışma, Gangliyon Hücre Tabakasını (GHT), klinik öncesi AH'nin en önemli göstergesi olarak belirlemiştir. Yıl ağırlıklı bir yitim fonksiyonu ile GHT kalınlık haritaları üzerinde eğitilen VGG-19 modeli, 0.750 ± 0.037 ile en yüksek Ortalama AUC değerine ulaşmıştır. Dikkat çekici bir şekilde, geleneksel klinik ölçüt olan Ağ Tabakası Sinir Lifi Tabakası (RNFL), bu belirti öncesi kohortta göz ardı edilebilir bir kestirimsel değer sergilemiştir. Kestirim doğruluğunu daha da artırmak ve klinik karar verme sürecini taklit etmek için Çok Kipli Yumuşak Oylamalı Topluluk modeli geliştirdik. Bu model, B-taramalarından ve GHT-İPT kalınlık haritalarından elde edilen yapısal içgörüleri klinik ve demografik verilerle bütünleştirmektedir. Bu topluluk yaklaşımı, 0.85 ile en yüksek ortalama AUC değerine ulaşmış ve bireysel kiplikleri anlamlı ölçüde geride bırakmıştır. Ayrıca, yalnızca görüntü kipliklerini (B-taramaları ve kalınlık haritaları) kullanan bir eksiltme çalışması 0.84'lük bir AUC sağlamıştır. Bu sonuç, birleştirilmiş yapısal verilerin güçlü tamamlayıcı değerini vurgulamaktadır. Boylamsal duyarlılık analizi ayrıca ağ tabakasına ait biyobelirteçler için bir“tanı ufku”belirlemiştir. Kestirim doğruluğunun, klinik tanıdan 4 ila 8 yıl öncesinde en yüksek seviyede olduğunu gözlemledik. Ancak bu sinyaller, 12. yıla gelindiğinde kademeli olarak taban çizgisine yakınsamaktadır. Mevcut literatürle kıyaslandığında, çerçevemiz semptomatik Hafif Bilişsel Bozukluk tanısı için mevcut temel çizgilerden daha iyi bir başarım göstermiştir. Bu durum, klinik öncesi kestirim gibi çok daha zorlu bir görevde modelin gürbüzlüğünü kanıtlamaktadır. Sonuç olarak bu çalışma, ağ tabakası görüntülemesinin Alzheimer Hastalığı için erken tanı iş hattına tümleştirilmesi adına uygulanabilir bir yol oluşturmaktadır.
Özet (Çeviri)
Alterations in retinal layer thickness have been associated with neurodegenerative diseases such as Alzheimer's disease (AD). These structural changes can be measured using a noninvasive imaging technology called Optical Coherence Tomography (OCT). Previous research has mostly focused on the statistical associations between segmented retinal layer thickness and AD derived from OCT or OCTA devices. Unlike conventional medical image classification tasks, early detection is more challenging than diagnosis because imaging precedes clinical diagnosis by several years. Deep learning (DL), particularly through convolutional neural networks (CNNs) and transfer learning, has demonstrated strong performance in image-based disease detection tasks. However, the application of DL directly on unsegmented raw OCT B-scan images for early AD detection remains underexplored. Therefore, in this thesis, we address this research gap by proposing a deep learning-based approach that uses raw OCT images for early Alzheimer's disease detection. All related studies in the literature have heavily relied on private and institutional cohorts that lack interoperability. In contrast, the UK_Biobank offers a unique resource for investigating the associations between retinal structure and systemic health, comprising over 85,000 OCT scans linked to cognitive and health-related data. Between the initial scan (2010–2015) and July 2023, 539 participants in the dataset were diagnosed with AD. Therefore, although the UK Biobank is somewhat limited by the absence of OCTA scans, we used this dataset in our thesis to detect early AD using OCT scans. After a rigorous data-exclusion process, this study used a targeted 4-year window, selecting participants diagnosed with AD within 4 years of their baseline assessments. The AD group (N\_AD = 28) was matched by age, sex, eye, and instance with a randomly selected balanced Healthy Control group (N\_Control = 30). We first evaluated the predictive value of isolated 2D B-scans using pretrained deep learning architectures. In these tests, the ResNet-34 model achieved a Mean AUC of 0.624 ± 0.060. Saliency map analysis of these B-scans highlighted the critical importance of the central macular region, whereas peripheral areas showed a negligible contribution to the model's decision. To overcome the limitations of isolated B-scans and leverage 3D information, we generated a 3D-informed en-face thickness projection map from the OCT B-scans. This pipeline was optimized to focus on the diagnostically relevant 3mm inner macular region, which effectively filtered out peripheral noise. Our study of thickness maps identified the Ganglion Cell Layer (GCL) as the most significant indicator of preclinical AD. The VGG-19 model, trained on GCL thickness maps with a year-weighted loss function, achieved a peak Mean AUC of 0.750 ± 0.037. Notably, the traditional clinical benchmark, the Retinal Nerve Fiber Layer (RNFL), exhibited negligible predictive value in this pre-symptomatic cohort. We also developed a Multi-Modal Soft-Voting Ensemble model to further increase the predictive accuracy and emulate clinical decision-making. This model integrates structural insights from B-scans and GCIPL thickness maps with clinical and demographic data. This ensemble approach achieved the highest Mean AUC of 0.85 and significantly outperformed the individual modalities. Furthermore, an ablation study using only image modalities (B-scans and thickness maps) yielded an AUC of 0.84. This result highlights the strong complementary value of combined structural data. Longitudinal sensitivity analysis also established a“diagnostic horizon”for retinal biomarkers. We observed that predictive accuracy is highest between 4 and 8 years prior to clinical diagnosis with the GCL thickness projection maps. However, these signals progressively converge toward baseline by the 12-year mark. When benchmarked against the current literature, our framework outperformed existing baselines for the diagnosis of symptomatic Mild Cognitive Impairment (MCI). This demonstrates its robustness in the much more challenging task of preclinical prediction. Consequently, it establishes a viable pathway for integrating retinal imaging into the early diagnostic pipeline for Alzheimer's Disease.
Benzer Tezler
- Maküla optik koherens tomografi görüntülerinde yapay zeka ile retina tabakalarındaki bozulmanın tespiti
Detection of retinal layer abnormalities using artificial intelligence in macular optical coherence tomography images
EDA ZEYNEP KILIÇ
Tıpta Uzmanlık
Türkçe
2026
Göz HastalıklarıOndokuz Mayıs ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
PROF. DR. ÖZLEM EŞKİ YÜCEL
- Genişletilmiş lateral inhibisyon yöntemiyle oct verileri üzerinden retinal hastalıkların sınıflandırılması
Classification of retinal diseases based on oct data by extended lateral inhibition method
RUKEN ERDEM DEMİR
Doktora
Türkçe
2025
BiyoistatistikKaradeniz Teknik ÜniversitesiBiyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
PROF. DR. KEMAL TURHAN
- Multipl skleroz hastalarında optik koherans tomografi, manyetik rezonans volümetrik ve kalınlık ölçümleri ile kognisyonun yapay zeka tabanlı değerlendirilmesi
Artificial intelligence-based assessment of cognition using optical coherence tomography, magnetic resonance volumetric and thickness measurements in multiple sclerosis patients
GÜVEN GİRGİN
Tıpta Uzmanlık
Türkçe
2025
NörolojiBaşkent ÜniversitesiNöroloji Ana Bilim Dalı
PROF. DR. EDA DERLE ÇİFTÇİ
DR. ÖĞR. ÜYESİ İLKİN İYİGÜNDOĞDU
- Diyabetik retinopatili hastaların optik koherens tomografi görüntülerindeki retina iç katlarının dezorganizasyonu, hiperreflektif nokta ve subfoveal nörosensöryel dekolmanın yapay zeka kullanılarak tanınması
Başlık çevirisi yok
ECE YALÇINDAĞ KAÇTAN
Tıpta Uzmanlık
Türkçe
2022
Göz HastalıklarıMarmara ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
DOÇ. DR. EREN ÇERMAN
- Derin öğrenme tabanlı yöntemlerle optik koherens tomografi görüntülerinden hastalık analiz sistemi
Disease analysis system from optical coherence tomography images with deep learning based methods
HATİCE ÖZDEMİR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TAYYİP ÖZCAN
PROF. DR. FATİH HOROZOGLU