Detection of multistage Alzheimer from 4D FMRI data using deep learning
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: İstanbul Medipol Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: NAWAZISH ALI
Danışman: ALHAJJ Reda
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:İlaç dağıtım sistemleri ve tıbbi görüntüleme gibi biyomedikal verilerdeki kalıpların tanınmasını önemli ölçüde iyileştiren makine öğrenimi tekniklerinin uygulanması, araştırmacıların karmaşık tıbbi sorunları daha iyi anlamalarına ve çözmelerine yardımcı olmak için en önemli yöntemlerden biri olarak ortaya çıkmıştır. Son birkaç yıl. Bu, son yıllarda tıbbi araştırma alanındaki en önemli gelişmelerden biri olmuştur. Derin öğrenme, verilerden düşük seviyeden üst seviyeye kadar özellikler çıkaran sınıflandırmalar için güçlü bir tekniktir. Alzheimer hastalığını teşhis etmek için bir dizi derin ve makine öğrenimi öğrenme algoritmasının kullanılması olağanüstü sonuçlar göstermiştir. Alzheimer hastalığı, zamanla kötüleşen ilerleyici, ölümcül bir hastalıktır; bu nedenle, hastalığın etkisini azaltmak için mümkün olduğunca erken keşfetmek önemlidir. Alzheimer hastalığını teşhis etmek için derin öğrenme algoritmaları, MRI görüntüleme verilerini kullanan makine öğrenimi algoritmalarından önemli ölçüde daha iyi performans gösterir. MRG verilerini doktorlar için analiz etmek bile zor. Literatürde Alzheimer teşhisi için iki teknik kullanılmıştır: ya görüntüyü 2D/3D'ye bölerek ya da fonksiyonel bağlantıya çevirerek ya da ön işlemeden sonra 4D görüntü verilerini kullanarak. Bu araştırmada, ön işlemeden sonra Alzheimer teşhisi için 4D fonksiyonel MRI verileri kullanılmıştır. Dilim zamanlama, kafa hareketi düzeltme, dilim normalleştirme, beyin çıkarma, yumuşatma ve görüntü normalleştirmeyi içeren farklı ön işleme teknikleri uygulanır. 3D evrişimli sinir ağı (CNN) modeli, OASIS verileri üzerinde uygulanmış ve eğitilmiştir. 3D CNN modelinde transfer öğrenme tekniği kullanılmış ve buna uzun-kısa süreli bellek (LSTM) katmanları eklenerek verilerden zamansal bilgilerin öğrenilmesi sağlanmıştır. Genişletilmiş algoritmaya Conv3d-lstm adı verildi ve önceden işlenmiş ADNI verileri üzerinde yeniden eğitildi. Algoritmayı yeni veriler için genellemek için bu çalışmada iki farklı veri seti kullanılmıştır. Önerilen modelin performansını değerlendirmek için farklı 2D CNN modelleri de eğitilmiş ve test edilmiştir. Son olarak, önerilen modelin diğer eğitilmiş algoritmalar ve daha önceki çalışmalarla karşılaştırılabilir en iyi sonuçları verdiği sonucuna varılmıştır. Algoritma, %96 AUC ve %91.06 doğruluk ile en yüksek doğruluğa ve AUC'ye sahiptir. Önerilen algoritma iyi sonuçlar elde ediyor, ancak yine de performansta iyileştirme için alan var.