Journals / Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi / 2026 / Cilt: 13 Sayı: 3

MR GÖRÜNTÜLERİNDEN ALZHEİMER TESPİTİNDE BOYUT AZALTMA VE DERİN ÖĞRENME YAKLAŞIMLARININ KARŞILAŞTIRILMASI

Ömer Türk(Mardin Artuklu University)0000-0002-0060-1880
Pages
485–491
Publication Date
2022-09-30
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Çalışma sonucunda en iyi performansın BBA tabanlı k-NN sınıflandırıcı ile elde edildiği görülmüştür.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Her yıl milyonlarca insana Alzheimer teşhisi konulmaktadır.
📊
Key Findings & Data:Bu çalışmada dört farklı Alzheimer sınıfı içeren MR görüntüleri kullanılarak, bu hastalığın demans seviyesi tespit edilmeye çalışılmıştır.
💡
Conclusion & Impact:Çalışma sonucunda en iyi performansın BBA tabanlı k-NN sınıflandırıcı ile elde edildiği görülmüştür.
🔬Design:Araştırma Makalesi
📍Scope:Comprehensive Sample
⚙️Variables:Alzheimer · BBA · TBA

Özet

Her yıl milyonlarca insana Alzheimer teşhisi konulmaktadır. Alzheimer, nörodejeneratif bir hastalıktır. Kliniklerde bu hastalığın en doğru tespiti için biyopsi işlemi uygulanmaktadır. Ancak bu işlem beyin üzerinden gerçekleştirildiğinden hasta için büyük bir risk teşkil etmektedir. Bundan dolayı bu tür hastalıkların tespit edilmesinde daha çok nörogörünütleme teknikleri tercih edilmektedir. Bu nörogörünteleme tekniklerinden biri de Manyetik Rezonans (MR) görüntülemedir. MR invazif olmayan bir araçtır. Bundan dolayı kliniklerde çokça tercih edilmektedir. Bunun yanında mühendislik alanında MR görüntüleri kullanılarak bilgisayar destekli tanı sistemleri de geliştirilmektedir. Bu çalışmada dört farklı Alzheimer sınıfı içeren MR görüntüleri kullanılarak, bu hastalığın demans seviyesi tespit edilmeye çalışılmıştır. Veri seti; orta demans, hafif demans, çok hafif demans ve demans olmayan sınıflardan oluşmaktadır. Çalışmada ilk önce, MR görüntüleri ham olarak matrislere dönüştürülmüştür. Elde edilen matrislere dağılımın normale yaklaştığı, standart sapmanın bir değerini aldığı standardizasyon işlemi uygulanmıştır. Daha sonra veri seti Evrişimsel Sinir Ağında (ESA) sınıflandırılmıştır. Aynı zamanda Temel Bileşen Analizi (TBA), Bağımsız Bileşen Analizi (BBA) ve Yerel Doğrusal Gömme (YDG) yöntemleri ayrı ayrı uygulanarak, öznitelik vektörü elde edilmiştir. Elde edilen öznitelik vektörü k-NN sınıflandırıcı ile sınıflandırılmıştır. Sınıflandırma sonucunda ESA, k-NN-TBA, k-NN-BBA ve k-NN-YDG yöntemlerinde sırasıyla, %88.44, %95.52, %98.22 ve %91.14 sınıflandırma doğruluğu bulunmuştur. Çalışma sonucunda en iyi performansın BBA tabanlı k-NN sınıflandırıcı ile elde edildiği görülmüştür.

🔖

Cite This Article

Türk, Ö. (2022). MR GÖRÜNTÜLERİNDEN ALZHEİMER TESPİTİNDE BOYUT AZALTMA VE DERİN ÖĞRENME YAKLAŞIMLARININ KARŞILAŞTIRILMASI. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Cilt: 13 Sayı: 3, 485–491. https://doi.org/10.24012/dumf.1141233

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (26)

  1. Khojaste-Sarakhsi, M., Haghighi, S. S., Ghomi, S. F., & Marchiori, E. (2022). Deep learning for Alzheimer's disease diagnosis: A survey. Artificial Intelligence in Medicine, 102332.
  2. Alzheimer's Association. (2019). 2019 Alzheimer's disease facts and figures. Alzheimer's & dementia, 15(3), 321-387.
  3. Shanmugam, J. V., Duraisamy, B., Simon, B. C., & Bhaskaran, P. (2022). Alzheimer’s disease classification using pre-trained deep networks. Biomedical Signal Processing and Control, 71, 103217.
  4. Wadhwa, A., Bhardwaj, A., & Verma, V. S. (2019). A review on brain tumor segmentation of MRI images. Magnetic resonance imaging, 61, 247-259.
  5. Park, C., Ha, J., & Park, S. (2020). Prediction of Alzheimer's disease based on deep neural network by integrating gene expression and DNA methylation dataset. Expert Systems with Applications, 140, 112873.
  6. Liu, C. F., Padhy, S., Ramachandran, S., Wang, V. X., Efimov, A., Bernal, A.,. & Alzheimer's Disease Neuroimaging Initiative. (2019). Using deep Siamese neural networks for detection of brain asymmetries associated with Alzheimer's disease and mild cognitive impairment. Magnetic resonance imaging, 64, 190-199.
  7. Lee, E., Choi, J. S., Kim, M., Suk, H. I., & Alzheimer’s Disease Neuroimaging Initiative. (2019). Toward an interpretable Alzheimer’s disease diagnostic model with regional abnormality representation via deep learning. Neuroimage, 202, 116113.
  8. Goenka, N., & Tiwari, S. (2022). AlzVNet: A volumetric convolutional neural network for multiclass classification of Alzheimer’s disease through multiple neuroimaging computational approaches. Biomedical Signal Processing and Control, 74, 103500.
  9. Öziç, M. Ü., & Özşen, S. (2020). 3B alzheimer MR görüntülerinin hacimsel kayıp bölgelerindeki voksel değerleri kullanılarak sınıflandırılması. El-Cezeri Journal of Science and Engineering, 7(3), 1152-1166.
  10. Oh, K., Chung, Y. C., Kim, K. W., Kim, W. S., & Oh, I. S. (2019). Classification and visualization of Alzheimer’s disease using volumetric convolutional neural network and transfer learning. Scientific Reports, 9(1), 1-16.
  11. Rieke, J., Eitel, F., Weygandt, M., Haynes, J. D., & Ritter, K. (2018). Visualizing convolutional networks for MRI-based diagnosis of Alzheimer’s disease. In Understanding and Interpreting Machine Learning in Medical Image Computing Applications (pp. 24-31). Springer, Cham.
  12. https://www.kaggle.com/datasets/tourist55/alzheimers-dataset-4-class-of-images
  13. Mita, J. H., Babu, C. G., & Shankar, M. G. (2021, March). Performance analysis of dimensionality reduction using PCA, KPCA and LLE for ECG signals. In IOP Conference Series: Materials Science and Engineering (Vol. 1084, No. 1, p. 012005). IOP Publishing
  14. Abdi, H., & Williams, L. J. (2010). Principal component analysis. Wiley interdisciplinary reviews: computational statistics, 2(4), 433-459.
  15. Liu, X., & Zhao, C. (2022). Research on Image Feature Extraction Algorithm of the Egg and Egg White Protein Thermal Gelation Based on PCA/ICA. Computational Intelligence and Neuroscience, 2022.
  16. Hyvärinen, A. (1999). Survey on independent component analysis.
  17. Roweis, S. T., & Saul, L. K. (2000). Nonlinear dimensionality reduction by locally linear embedding. science, 290(5500), 2323-2326. [18] Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25.
  18. Albawi, S., Mohammed, T. A., & Al-Zawi, S. (2017, August). Understanding of a convolutional neural network. In 2017 international conference on engineering and technology (ICET) (pp. 1-6). Ieee.
  19. Peterson, L. E. (2009). K-nearest neighbor. Scholarpedia, 4(2), 1883.
  20. Liao, Y., & Vemuri, V. R. (2002). Use of k-nearest neighbor classifier for intrusion detection. Computers & security, 21(5), 439-448.
  21. Gupta, A., Ayhan, M., & Maida, A. (2013, May). Natural image bases to represent neuroimaging data. In International conference on machine learning (pp. 987-994). PMLR.
  22. Jain, R., Jain, N., Aggarwal, A., & Hemanth, D. J. (2019). Convolutional neural network based Alzheimer’s disease classification from magnetic resonance brain images. Cognitive Systems Research, 57, 147-159.
  23. Liu, M., Li, F., Yan, H., Wang, K., Ma, Y., Shen, L.,. & Alzheimer’s Disease Neuroimaging Initiative. (2020). A multi-model deep convolutional neural network for automatic hippocampus segmentation and classification in Alzheimer’s disease. Neuroimage, 208, 116459.
  24. Goenka, N., & Tiwari, S. (2022). AlzVNet: A volumetric convolutional neural network for multiclass classification of Alzheimer’s disease through multiple neuroimaging computational approaches. Biomedical Signal Processing and Control, 74, 103500.
  25. Liu, C. F., Padhy, S., Ramachandran, S., Wang, V. X., Efimov, A., Bernal, A.,. & Alzheimer's Disease Neuroimaging Initiative. (2019). Using deep Siamese neural networks for detection of brain asymmetries associated with Alzheimer's disease and mild cognitive impairment. Magnetic resonance imaging, 64, 190-199.
  26. Liu, M., Li, F., Yan, H., Wang, K., Ma, Y., Shen, L.,. & Alzheimer’s Disease Neuroimaging Initiative. (2020). A multi-model deep convolutional neural network for automatic hippocampus segmentation and classification in Alzheimer’s disease. Neuroimage, 208, 116459.