Yazar "Çelebi, Selahattin Barış" seçeneğine göre listele
Listeleniyor 1 - 4 / 4
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe A Novel Deep Dense Block-Based Model for Detecting Alzheimer's Disease(Mdpi, 2023) Çelebi, Selahattin Barış; Emiroğlu, Bülent GürselAlzheimer's disease (AD), the most common form of dementia and neurological disorder, affects a significant number of elderly people worldwide. The main objective of this study was to develop an effective method for quickly diagnosing healthy individuals (CN) before they progress to mild cognitive impairment (MCI). Moreover, this study presents a unique approach to decomposing AD into stages using machine-learning architectures with the help of tensor-based morphometric image analysis. The proposed model, which uses a neural network built on the Xception architecture, was thoroughly assessed by comparing it with the most recent convolutional neural network (CNN) models described in the literature. The proposed method outperformed the other models in terms of performance, achieving an impressive average classification accuracy of 95.81% using the dataset. It also had very high sensitivity, specificity, accuracy, and F1 scores, with average scores of 95.41%, 97.92%, 95.01%, and 95.21%, respectively. In addition, it showed a superior classification ability compared to alternative methods, especially for MCI estimation, as evidenced by a mean area under the ROC curve (AUC) of 0.97. Our study demonstrated the effectiveness of deep-learning-based morphometric analysis using brain images for early AD diagnosis.Öğe Alzheimer hastalığı erken teşhisinde derin öğrenme modelleri ile tanısal sınıflandırma(Kırıkkale Üniversitesi, 2023) Çelebi, Selahattin Barış; Emiroğlu, Bülent GürselAlzheimer hastalığı (AD), özellikle yaşlanmayla birlikte ortaya çıkan ve tedavisi hala bulunamamış nörolojik bir beyin hastalığıdır. Bu hastalığın kökeni tam olarak belirlenememiştir. Bununla birlikte çeşitli evrelerden oluşan hastalığın erken evrelerde teşhisi, ilerleyici sürecini yavaşlatabilme potansiyeli taşımaktadır. Dünya genelinde yaşam süresinin artması, yaşlı nüfusun artmasına yol açmaktadır. Böylelikle hastalığa yakalanan bireylerin sayısında artış olmaktadır. Bu durum hastaların tedavi ve bakım maliyetlerinin ülkeler üzerine giderek daha fazla yük oluşturacağı öngörüsünü beraberinde getirmektedir. Ayrıca hastalığın ilerleyen aşamalarında bireylerin temel ihtiyaçlarını karşılayamaz hale gelmesi, aile üyelerine sosyolojik olarak büyük bir sorumluluğu da beraberinde getirebilmektedir. Bu sebeplerle Alzheimer hastalığının erken teşhisi hem ekonomik hem de sosyal açıdan büyük önem arz etmektedir. Beyin görüntülerinin analizi için kullanılan morfometrik yöntemler daha geniş kapsamlı veri analizi sağlayarak beyin yapıları arasında ilişkileri yüksek düzeyde yakalayabilir. Özellikle ince detayların ve korelasyonları tespit edebilme kabiliyetinden dolayı, geleneksel görüntü analizinde zorlanılan örüntülerin belirlenmesine yardımcı olur. Bu doğrultuda Alzheimer hastalığının beyindeki yapısal değişikliklerini net bir şekilde izlemek ve anlamak için morfometrik görüntü analizinin kullanılması büyük önem taşımaktadır. Bu yöntem sayesinde hastalığın beyinde meydana getirdiği değişikliklerin doğru bir şekilde analiz edilmesi ve tedavi sürecinin takibi mümkün hale gelir. Böylelikle sağlık çalışanlarına hastalığın seyrini anlama ve yönetme konusunda yardımcı olabilir. Bu tez çalışması, derin öğrenme (DL) tabanlı morfometrik görüntü analizi yöntemleri kullanarak Alzheimer hastalığının erken teşhisini yapmayı amaçlamaktadır. Bu amaçla iki farklı çalışma yürütülen bu tezde, tensör tabanlı morfometri (TBM) tabanlı analiz ile beyindeki hacimsel değişiklikler ve deformasyonlar incelenmiştir. Üç boyutlu işlenmiş TBM görüntüleri farklı beyin bölgelerinden alınan kesitlerle çeşitli DL modelleriyle analiz edilmiştir. Veriler analiz edilmeden önce işlenmeye hazır hala getirilmek için çeşitli veri ön işlem aşamalarından geçirilmiştir. Tez kapsamında yapılan ilk çalışmada beynin medial dilimleri kullanılarak Alzheimer hastalığının erken teşhisi üzerine çalışıldı. Çalışma sonucunda elde edilen doğruluk oranı %48 olarak tespit edildi. Düşük bir doğruluk oranı elde edilmesinin ardından hastalıktan en çok etkilenen bölgeler olan hipokampus ve temporal lob dokularını içeren dilimler üzerine odaklanıldı. Bu dilimler kullanılarak test edilen konvolüsyon sinir ağı (ESA) tabanlı bir model, %93 doğruluk oranına ulaşıldı. Sonrasında doğruluk oranını artırmaya yönelik üçüncü bir strateji olarak, daha ince detayları yakalamak amacıyla model küçük çekirdek filtreleri ile değiştirildi. Bu modelin doğruluk oranı %92'de olarak ölçüldü. Yaklaşımın sonuçları incelendiğinde performans artışı sağlanamadığı görüldü. Sonuç olarak beyin hastalığına özgü bölgelerle beslenen bir model, başarılı bir şekilde hastalığı tahmin edebilmiştir. Ancak küçük filtrelerin kullanılması modelin büyük deformasyon şekillerini yakalama yeteneğini kısıtlamış ve sonuç olarak performans kaybına neden olmuştur. Tez kapsamında yapılan diğer bir çalışma ise transfer öğrenme (TL) yöntemleri ve özelleştirilmiş sinir ağı modeli kullanarak AD erken teşhisini gerçekleştirmeyi hedefledi. Bu çalışmada ilk çalışmada elde edilen sonuçları geliştirme amacı güdüldü. 2D eksenel TBM görüntüleri analizi yaklaşımı sunan önerilen yöntem Xception modeli üzerine inşa edilmiştir. Bu model literatürde tanımlanan diğer ESA modelleriyle karşılaştırılarak değerlendirildi. Yöntem %95,81 oranında yüksek bir sınıflandırma doğruluğu elde etti. Ayrıca yöntemin yüksek duyarlılık, özgüllük, doğruluk ve F1 puanlarına sahip olduğu gözlemledi. ROC eğrisi altındaki alan (AUC) değeri de %0,97 olarak belirlendi. Bu sonuçlara göre yöntemin alternatif yöntemlere kıyasla üstün bir sınıflandırma yeteneği sunduğunu göstermektedir. Bu tez çalışması, tarafsızlık ve tekrarlanabilirdik açısından Alzheimer Hastalığı Nörogörüntüleme Girişimi (ADNI) tarafından sağlanan açık ve ücretsiz bir veri kümesini kullanmıştır. Bu veri kümesi araştırmacıların Alzheimer hastalığını anlaması teşhis etmesi ve yönetmesi için kullanabilecekleri bir kaynak sunmaktadır. ADNI veri tabanı erken aşamada AD'yi tespit etmek, ilerlemesini takip etmek ve gelişimini önlemek amacıyla beyin görüntülerini sağlamaktadır. Tez çalışmasının sonuçları DL tabanlı TBM analizin erken Alzheimer teşhisi için etkili bir araç olduğunu göstermiştir. Ayrıca hekimlerin karar verme sürecinde bilgisayar destekli tanı sistemlerini kullanma potansiyelini ortaya koymaktadır.Öğe Alzheimer Teşhisi için Derin Öğrenme Tabanlı Morfometrik Analiz(2023) Çelebi, Selahattin Barış; Emiroğlu, Bülent GürselAlzheimer, dünyadaki en yaygın bunama türüdür ve şu an için kullanılan tedavi yöntemleri sadece hastalığın ilerleyişini önleme amacına yöneliktir. Beyin dokusu hacmi Alzheimer hastalığı (AD) nedeniyle değişir. Tensör tabanlı morfometri (TBM) yardımıyla, hastalığın beyin dokularında neden olduğu değişiklikler izlenebilir. Bu çalışmada AD hastaları ve Bilişsel Normal(ler) (CN'ler) grubu denekleri arasında ayrım yapmak için etkili bir yöntem geliştirmek amaçlanmıştır. TBM veya küçük yerel hacim farklılıkları, sınıflandırma özelliği olarak benimsenmiştir. AD/CN sınıfına ait 3D TBM morfometrik görüntülerinden hipokampus ve temporal lobu kapsayan 5 piksel aralıklı eksenel beyin görüntü dilimleri 2D olarak kaydedildi. Daha sonra her bir klinik gruptan (AD; CN) elde edilen veri setinin %60'ı eğitim, %20’si validasyon ve %20’si test veri setleri olarak ayrıldı (Eğitim: 480; doğrulama: 120; test: 120). Model validasyon (%92.5) ve test (%89) doğruluk değerleri ile AD/CN tahmini gerçekleştirdi. Sonuçlar, Derin öğrenme ile hipokampus ve temporal lobu kapsayan dilimlerden elde edilen TBM'nin AD'nin tanısında yüksek doğrulukla uygulanabileceğini göstermektedir.Öğe Leveraging Deep Learning for Enhanced Detection of Alzheimer’s Disease Through Morphometric Analysis of Brain Images(International Information and Engineering Technology Association, 2023) Çelebi, Selahattin Barış; Emiroğlu, Bülent GürselThis study investigates the efficacy of tensor-based morphometry (TBM) in detecting Alzheimer’s Disease (AD) using deep learning techniques. The primary focus is on discerning the volumetric variations in brain tissues characteristic of AD, Mild Cognitive Impairment (MCI), and cognitively normal (CN) conditions. TBM, as a measure of minute local volume differences, is employed as the distinguishing feature. The results are juxtaposed with those obtained from machine-learning-based methods, trained using a variety of medical images. Three unique models were developed for this purpose. The first model, trained using medial slices of the brain (train: 1622; test: 406), displayed an accuracy of less than 50%. The second model utilized axial brain slices procured at 5-pixel intervals, encompassing the hippocampus and the temporal lobe (train: 1632; test: 406), and demonstrated a significantly improved accuracy of 93%. The third model, fine-tuned with small kernel sizes to better extract localized changes from the image data used in the second model, achieved an accuracy of 92%. The findings suggest that the application of TBM and deep learning to medial slices alone is insufficient for an accurate diagnosis of AD. However, employing TBM with deep learning techniques to slices covering the hippocampus and temporal lobe can potentially offer a highly accurate approach for early AD detection. Notably, the use of small filters to extract detailed features from TBM did not enhance the model's performance. This research underscores the potential of deep learning in advancing the field of AD detection and diagnosis, providing crucial insights into the future development of diagnostic tools. © 2023 Lavoisier. All rights reserved.