Multiple sclerosis(MS) hastalık teşhisi için yapay zeka tabanlı klinik karar destek tasarımı
Artificial intelligence-based clinical decision support design for multiple sclerosis (MS) disease diagnosis
- Tez No: 999692
- Danışmanlar: PROF. DR. HASAN GÜLER
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Multipl Skleroz, Manyetik Rezonans Görüntüleme, Yapay Zekâ, Derin Öğrenme, Evrişimsel Sinir Ağları, ConvNeXt Mimarileri, Transformer Tabanlı Modeller, Multiple Sclerosis, Magnetic Resonance Imaging, Artificial Intelligence, Deep Learning, Convolutional Neural Networks, ConvNeXt Architectures, Transformer-Based Models
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, manyetik rezonans görüntüleri (MRG) kullanılarak Multipl Skleroz (MS) hastalığının sağlıklı kontrol ve miyelit gruplarından ayrımını gerçekleştirmeyi amaçlayan yapay zekâ tabanlı bir karar destek sistemi geliştirilmiştir. Klinik pratikte benzer görüntüsel özellikler sergileyen demiyelinizan hastalıklar arasında doğru tanısal ayrım yapılabilmesi, erken teşhis, uygun tedavi planlaması ve hastalık yönetimi açısından kritik öneme sahiptir. Bu doğrultuda, farklı derin öğrenme mimarilerinin MS tanısındaki etkinliği karşılaştırmalı olarak analiz edilmiştir. Çalışmada, literatürde daha önce raporlanmış ve kamuya açık olarak paylaşılan bir MRG veri seti kullanılmış; görüntüler üzerinde veri ön işleme, normalizasyon ve standartlaştırma adımları uygulanmıştır. VGG16, ResNet50, DenseNet121, MobileNetV2, EfficientNet-B0 ve RegNetX-400MF gibi klasik evrişimsel sinir ağları; ConvNeXt-Tiny ve ConvNeXt-Small gibi modern CNN tabanlı mimariler ile Swin Transformer ve Vision Transformer tabanlı modeller eğitilmiştir. Performans değerlendirmesi doğruluk (accuracy), makro precision, makro recall ve makro F1-score metrikleri üzerinden gerçekleştirilmiştir. Elde edilen sonuçlara göre ConvNeXt-Tiny modeli %94.8 doğruluk ile en yüksek tanısal başarıyı elde etmiştir. ConvNeXt-Small modeli, %91.2 doğruluk değerine karşın 0.939 makro precision, 0.936 makro recall ve 0.937 makro F1-score ile sınıflar arası denge açısından en başarılı model olmuştur. Klasik CNN'ler arasında ResNet50, %94.2 doğruluk ve 0.929 makro F1-score ile öne çıkmıştır. Transformer tabanlı modellerde ise model kapasitesinin artırılmasının bu veri kümesi özelinde anlamlı bir performans artışı sağlamadığı gözlenmiştir. Bulgular, MRG tabanlı MS tanısında evrişim temelli yapıların hâlen güçlü ve güvenilir bir yaklaşım sunduğunu ortaya koymaktadır.
Özet (Çeviri)
In this thesis, an artificial intelligence–based decision support system was developed to differentiate Multiple Sclerosis (MS) from healthy control and myelitis groups using magnetic resonance imaging (MRI). Achieving accurate diagnostic discrimination among demyelinating diseases that exhibit similar imaging characteristics in clinical practice is of critical importance for early diagnosis, appropriate treatment planning, and effective disease management. In this context, the effectiveness of different deep learning architectures for MS diagnosis was comparatively analyzed. In the study, a previously reported and publicly available MRI dataset was utilized, and preprocessing, normalization, and standardization procedures were applied to the images. Classical convolutional neural networks, including VGG16, ResNet50, DenseNet121, MobileNetV2, EfficientNet-B0, and RegNetX-400MF, as well as modern CNN-based architectures such as ConvNeXt-Tiny and ConvNeXt-Small, and Transformer-based models including Swin Transformer and Vision Transformer, were trained and evaluated. Model performance was assessed using accuracy, macro-averaged precision, macro-averaged recall, and macro F1-score metrics. The results demonstrated that the ConvNeXt-Tiny model achieved the highest diagnostic performance with an accuracy of 94.8%. Despite a lower accuracy of 91.2%, the ConvNeXt-Small model exhibited the most balanced class performance, achieving a macro precision of 0.939, macro recall of 0.936, and macro F1-score of 0.937. Among classical CNNs, ResNet50 stood out with an accuracy of 94.2% and a macro F1-score of 0.929. For Transformer-based models, increasing model capacity did not yield a significant performance improvement for this specific dataset. Overall, the findings indicate that convolution-based architectures remain a robust and reliable approach for MRI-based MS diagnosis.
Benzer Tezler
- Manyetik rezonans görüntüleri yardımıyla Multiple Skleroz hastalığının tanısı için derin öğrenme yöntemlerinin analizi
Analysis of deep learning methods using magnetic resonance images for the diagnosis of Multiple Sclerosis disease
FATMA AKSU
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET CEVAHİR ÇINAR
- MR taramaları üzerinde derin öğrenme modelleri kullanılarak multipl skleroz lezyonlarının otomatik tespiti ve değişiminin takibi
Follow-up and automatic detection of multiple sclerosis lesions using deep learning models on MR scans
MEHMET SÜLEYMAN YILDIRIM
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- Yapay zeka teknikleri ile manyetik rezonans görüntülerinden multipl skleroz hastalığının teşhisi ve gelecekteki aktivitesinin tahmini
Identification of multipl sclerosis and prediction of future activity from magnetic resonance images by artificial intelligence techniques
ZÜLEYHA YILMAZ ACAR
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH BAŞÇİFTÇİ
- MR görüntülerinde MS hastalığının teşhisine yeni bir yaklaşım
A new approach to the diagnosis of MS disease in MR images
BURAK YILMAZ
Doktora
Türkçe
2017
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AKİF DURDU
- Multiple sclerosis (MS) hastalığının erken teşhisi için manyetik rezonans (MR) görüntülerinin otomatik segmentasyonu
Automatic segmentaion of multiple sclerosis disiese (MS) from magnetic rezonans images (MRI) for early detection
CAN KİRAZ
Yüksek Lisans
Türkçe
2015
Mühendislik BilimleriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM