Automatic Alzheimer detecion system based on deep neural network using MRI images
MRI görüntülerini kullanarak derin sinir ağına dayalı otomatik Alzheimer tespit sistemi
- Tez No: 983044
- Danışmanlar: DOÇ. DR. EMRULLAH SONUÇ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Alzheimer hastalığı (AD), ilerleyici bilişsel gerileme ve hafıza kaybı ile karakterize, en yaygın ve yıkıcı nörodejeneratif hastalıklardan biridir. AD'nin erken ve doğru tespiti, zamanında müdahale ve etkili hasta bakımı için son derece önemlidir. Ancak, hastalığın heterojenliği, tıbbi görüntüleme verilerindeki ince farklılıklar ve hastalık aşamaları arasındaki örtüşen modeller, otomatik tanıya önemli zorluklar getirmektedir. Geleneksel tanı yöntemleri öznellik ve kaynak kısıtlamalarıyla sınırlıyken, klasik makine öğrenimi yaklaşımları genellikle çeşitli veri setleri arasında genelleme yapmakta zorlanır. Bu zorluklar, AD teşhisinin karmaşıklığını ele alabilen sağlam, ölçeklenebilir ve yorumlanabilir derin öğrenme çözümlerinin geliştirilmesini gerektirir. Bu tezde, AD aşamalarının sınıflandırılmasını iyileştirmeyi amaçlayan, birden fazla mimari ve öğrenme yaklaşımını bir araya getiren karma bir derin öğrenme modeli sunuyoruz. Önerdiğimiz metodoloji, VGG16, VGG19, ResNet50, InceptionV3, EfficientNetB7, ResMLP, CNN, Xception ve Vision Transformers (ViT) dahil olmak üzere çeşitli modelleri kullanır ve bunların çıktılarını sentezler. Bağımsız modellerin sınırlamalarını aşmak için, birbirini tamamlayan güçlü yönlerini kullanan bir topluluk öğrenme modeli sunuyoruz. Ayrıca, dikkat temelli CNN yapımız, önemli özellikleri çıkarmak ve dikkat bloklarını kullanarak yorumlanabilirliği artırmak için tasarlanmıştır. Tahminlerin şeffaflığını ve açıklanabilirliğini iyileştirmek amacıyla, karar verme sürecine ilişkin içgörü sağlamak üzere Grad-CAM, LIME ve dikkat ısı haritası görselleştirmeleri gibi Açıklanabilir Yapay Zekâ (AYZ) yöntemlerini kullanıyoruz. Önerilen modelleri, ADNI ve OASIS veri setlerine ek olarak kendi veri setimizi de kullanarak üç veri seti üzerinde titizlikle değerlendirdik. Deneysel sonuçlar, topluluk modelinin doğruluk açısından önceden eğitilmiş bireysel modellerden belirgin şekilde daha iyi performans gösterdiğini ortaya koymaktadır. Topluluk modeli, ADNI veri setinde %99,51, OASIS veri setinde %86,67 ve bizim veri setimizde %99,32 doğruluk oranına ulaşmıştır. Dikkat Temelli CNN modeli, kendi veri setimizde %99,18 ve ADNI veri setinde %96,64 doğruluk elde ederek sağlamlığını ve yorumlanabilirliğini kanıtlamıştır. ViT modeli, kendi veri setimizde %94,25 doğruluk oranı elde ederek dönüştürücü tabanlı modellerin potansiyelini sergilemiştir. AYZ yaklaşımlarının entegrasyonu, klinik olarak yorumlanabilir açıklamalar sağlayarak tahminlerin güvenilirliğini artırmakta ve yapay zekâ tabanlı uygulamalar ile klinik pratikler arasındaki boşluğu doldurmaktadır. Bu tez, çok çeşitli veri kümelerinde AD tanısı koymak için oldukça etkili ve yorumlanabilir bir çerçeve sunmaktadır. Sonuçlar, erken AD tespitiyle ilgili zorlukların üstesinden gelmede topluluk stratejilerinin, dikkat temelli mekanizmaların ve dönüştürücü modellerin etkinliğini vurgulamaktadır. Ayrıca, AYZ entegrasyonu, modellerin kararlarının yorumlanabilirliğini ve klinik alaka düzeyini artırmaktadır. Bu bulgular, AD için derin öğrenme modellerinde son teknolojiyi ilerletmekte ve multimodal entegrasyon, aşama tahmini ve gerçek dünyadaki klinik uygulamalarda gelecekteki araştırmalar için fırsatlar sunmaktadır.
Özet (Çeviri)
Alzheimer's disease (AD) is one of the most prevalent and devastating neurodegenerative disorders, characterized by progressive cognitive decline and memory loss. Early and accurate detection of AD is of paramount importance for timely intervention and effective patient care. However, the heterogeneity of the disease, subtle variations in medical imaging data, and the overlapping patterns between disease stages pose significant challenges to its automated diagnosis. Traditional diagnostic methods are limited by subjectivity and resource constraints, while conventional machine learning approaches often struggle to generalize across diverse datasets. These challenges necessitate the development of robust, scalable, and interpretable deep learning solutions capable of addressing the complexities of AD detection. In this thesis, we present a complex deep learning model consisting of multiple architectures and learning approaches aimed at improving the classification of AD stages. Our proposed methodology utilizes and filters various models, including VGG16, VGG19, ResNet50, InceptionV3, EfficientNetB7, ResMLP, CNN, Xception, and Vision Transformers (ViT). To overcome the limitations of standalone models, we introduce an ensemble learning model that leverages their complementary strengths. Additionally, our attention-based CNN construction is designed to extract significant features and enhance interpretability using attention blocks. To improve the transparency and explainability of predictions, we incorporate Explainable Artificial Intelligence (XAI) methods such as Grad-CAM, LIME, and attention heatmap visualizations, to provide insight into the decision-making process. We rigorously evaluated the proposed models using three datasets: our dataset, in addition to the ADNI and OASIS datasets. Experimental results demonstrate that the ensemble model significantly outperforms individual pre-trained models in terms of accuracy. The ensemble model achieved 99.51% accuracy on the ADNI dataset, 86.67% on the OASIS dataset, and 99.32% on our dataset. The Attention-Based CNN model achieved accuracies of 99.18% and 96.64% on our dataset and the ADNI dataset, respectively, indicating its robustness and interpretability. The ViT model demonstrated the potential of transformer-based models, by achieving an accuracy rate of 94.25% on our dataset. Combining XAI approaches provides clinically interpretable explanations, improving prediction credibility and bridging the gap between AI-based and clinical applications. This thesis presents a highly effective and interpretable framework for diagnosing AD across a wide range of datasets. The results highlight the effectiveness of ensemble strategies, attention-based mechanisms, and transformer models in overcoming challenges related to early AD detection. Furthermore, integrating XAI improves interpretability and clinical relevance of the models' decisions. These findings advance the state of the art in DL models for AD and present opportunities for future research in multimodal integration, step prediction, and real-world clinical implementation.
Benzer Tezler
- Automatic detection of Alzheimer's disease with transfer learning and image processing techniques
Transfer öğrenme ve görüntü işleme teknikleri ile Alzheimer hastalığının otomatik tespiti
ATILAY YEŞİLADA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OSMAN GÖKALP
- 1,3-difenil-4,5-bis(hidroksiimino)-imidazolidin ve Ni(II), Cu(II), Pd(II), UO2(VI) komplekslerinin sentezi
Başlık çevirisi yok
VEFA AHSEN
Doktora
Türkçe
1984
Kimya MühendisliğiUludağ ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZER BEKAROĞLU
- Üniversitelerdeki öğrenci işlerinin mikrobilgisayarlar yardımı ile çözümlenmesine ilişkin bir araştırma
Başlık çevirisi yok
SAİT ESLEK
Yüksek Lisans
Türkçe
1985
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
YRD. DOÇ. DR. HALİL ŞENGONCA
- Kısa zincirli bazı alkil aromatik hidrokarbonların yüzey aktif madde olarak kullanım alanlarının incelenmesi
Performance of short-chain alkyl aromatic sulphonates in light duty foaming detersents
BİKEM ÖVEZ
- Elma suyu aroma maddeleri üzerine çalışmalar
Başlık çevirisi yok
DOĞAN YÜKSEL
Yüksek Lisans
Türkçe
1986
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DOÇ. DR. COŞKAN ILICALI