Manyetik rezonans görüntüleri kullanılarak çevrimsel çekişmeli üretici ağ destekli alzheimer teşhisi
[ X ]
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Siirt Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Alzheimer hastalığı, dünya genelinde milyonlarca insanı etkileyen ve yaşlı bireylerde bilişsel işlevlerin kaybına yol açan bir nörodejeneratif hastalıktır. Manyetik Rezonans (MR) ve Pozitron Emisyon Tomografisi görüntüleme teknikleri, beynin farklı bölgelerindeki değişiklikleri göstererek Alzheimer hastalığının izlenmesine olanak tanır. Hastalığın erken teşhisi, tedavi sürecinin başarısı ve hastaların yaşam kalitesinin iyileştirilmesi açısından kritik öneme sahiptir. Alzheimer hastalığının erken teşhisinde MR görüntüleri yaygın olarak kullanılmaktadır; bu analizlerle hastalığın evrelerini belirlemek ve sınıflamak mümkündür. Ancak bilgisayar destekli teşhis yöntemleri ve araçları genellikle sınırlı veri setlerine dayanmakta olup, teşhis doğruluğunu artırmak için daha büyük veri setlerine ihtiyaç duyulmaktadır. Bu çalışmada, Alzheimer belirtisi olmayan ve çok hafif düzeyde Alzheimer belirtisi olan MR görüntüleri olmak üzere iki sınıf arasında görüntüden görüntüye denetimsiz geçiş problemi ele alınmıştır. Problem çözümü için Çevrimsel Çekişmeli Üretici Ağ (ÇÇÜA) mimarisi kullanılmıştır. Alzheimer belirtisi olmayan MR görüntüleri, çok hafif düzeyde Alzheimer belirtisi olan görüntülere dönüştürülerek ve ters dönüşüm yapılarak sentetik veri çoğaltımı yoluna gidilmiş ve her iki sınıfa ait 100'er tane MR görüntüsü elde edilmiştir. Orjinal veri seti, ÇÇÜA ile genişletilmiş veri seti ve yalnızca ÇÇÜA ile üretilmiş veri setleri üzerinde öğrenme aktarımı tabanlı ikili sınıflandırma performansları ortaya konmuştur. ÇÇÜA ile genişletilmiş veri setinde orjinal veri setine kıyasla performans artışı görülmemiştir. Bu tezde, çekişmeli üretici ağların bilgisayar destekli Alzheimer teşhis alanında kullanımının avantajları araştırılmıştır.
Alzheimer's disease is a neurodegenerative disease affecting millions of people worldwide and causing loss of cognitivie functions primarily in older individuals. Magnetic Resonance Imaging (MRI) and Positron Emission Tomography facilitate disease monitoring by revealing changes in different brain regions. Early diagnosis is critical for treatment success and improving patients' quality of life. MRI analysis is widely used for early Alzheimer's diagnosis, enabling staging and classification of the disease. However, current diagnostic methods often rely on limited datasets, necessitating bigger datasets to enhance diagnostic accuracy. In this study, the unsupervised transition from image to image between two classes of MR images, namely those with no Alzheimer's symptoms and those with very mild Alzheimer's symptoms, was investigated. Bidirectional synthetic data was generated by using Cycle Generative Adverserial Networks (CycleGAN). Synthetic data augmentation was performed by converting MRI images without Alzheimer's symptoms into images with very mild Alzheimer's symptoms and performing the inverse transformation, and 100 MRI images of each class were obtained. The performances of transfer learning-based binary classification on the original dataset, the dataset extended with CycleGAN, and the dataset produced only with CycleGAN were demonstrated. Performance increase was not observed in the CycleGAN extended dataset compared to the original dataset. In this thesis, the advantages of using generative adversarial networks in the field of computer-aided Alzheimer's diagnosis were investigated.
Alzheimer's disease is a neurodegenerative disease affecting millions of people worldwide and causing loss of cognitivie functions primarily in older individuals. Magnetic Resonance Imaging (MRI) and Positron Emission Tomography facilitate disease monitoring by revealing changes in different brain regions. Early diagnosis is critical for treatment success and improving patients' quality of life. MRI analysis is widely used for early Alzheimer's diagnosis, enabling staging and classification of the disease. However, current diagnostic methods often rely on limited datasets, necessitating bigger datasets to enhance diagnostic accuracy. In this study, the unsupervised transition from image to image between two classes of MR images, namely those with no Alzheimer's symptoms and those with very mild Alzheimer's symptoms, was investigated. Bidirectional synthetic data was generated by using Cycle Generative Adverserial Networks (CycleGAN). Synthetic data augmentation was performed by converting MRI images without Alzheimer's symptoms into images with very mild Alzheimer's symptoms and performing the inverse transformation, and 100 MRI images of each class were obtained. The performances of transfer learning-based binary classification on the original dataset, the dataset extended with CycleGAN, and the dataset produced only with CycleGAN were demonstrated. Performance increase was not observed in the CycleGAN extended dataset compared to the original dataset. In this thesis, the advantages of using generative adversarial networks in the field of computer-aided Alzheimer's diagnosis were investigated.
Açıklama
Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
