SavedAdd your journal

Journals / El-Cezeri / 2020 / Cilt: 7 - Sayı: 3

3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması

Muhammet Üsame ÖZİÇ
Seral ÖZŞEN
Journal
El-Cezeri
Pages
1152–1166
Publication Date
2020-09-30
DOI
—
🏛️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)

Yapılan denemeler sonucunda en yüksek doğruluk oranları t-test özellik derecelendirme tabanlı lineer destek vektör makineleri ile gri madde sınıflandırmada %92.857 ve beyaz madde sınıflandırmada %79.286 olarak bulunmuştur.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Alzheimer Hastalığı bilişsel bozukluklar ve unutkanlık ile başlayan ölümcül bir nörolojik hastalıktır.
📊
Key Findings & Data:Bu çalışmada, OASIS veri tabanından alınan 3B T1 ağırlıklı manyetik rezonans görüntüleri kullanılarak gri madde ve beyaz madde bölgelerinde meydana gelen hacimsel kayıplar voksel tabanlı morfometri yöntemi ile haritalandırılmış ve bu bölgelerdeki anlamlı voksel değerleri ile alzheimer ve normal manyetik rezonans görüntülerini sınıflandıran bir karar destek sistemi tasarlanmıştır.
💡
Conclusion & Impact:Yapılan denemeler sonucunda en yüksek doğruluk oranları t-test özellik derecelendirme tabanlı lineer destek vektör makineleri ile gri madde sınıflandırmada %92.857 ve beyaz madde sınıflandırmada %79.286 olarak bulunmuştur.
🔬Design:Experimental Field Trial
📍Scope:Comprehensive Sample
⚙️Variables:Manyetik Rezonans · Alzheimer · Voksel Tabanlı Morfometri

Özet

Alzheimer Hastalığı bilişsel bozukluklar ve unutkanlık ile başlayan ölümcül bir nörolojik hastalıktır. Hastalığın beyinde meydana getirdiği hacimsel değişimler yüksek çözünürlüklü manyetik rezonans görüntüleri ile izlenebilmektedir. Bu çalışmada, OASIS veri tabanından alınan 3B T1 ağırlıklı manyetik rezonans görüntüleri kullanılarak gri madde ve beyaz madde bölgelerinde meydana gelen hacimsel kayıplar voksel tabanlı morfometri yöntemi ile haritalandırılmış ve bu bölgelerdeki anlamlı voksel değerleri ile alzheimer ve normal manyetik rezonans görüntülerini sınıflandıran bir karar destek sistemi tasarlanmıştır. Manyetik rezonans görüntülerinde gruplar arası voksel tabanlı morfometri işlemi için SPM8, MRIcro programları ve VBM8 kütüphanesi kullanılmıştır. Hacimsel kayıp haritalarından elde edilen binary maskeler ile gri madde ve beyaz madde bölgeleri maskelenmiştir. Her bir gri madde ve beyaz madde görüntüsünde maske altında kalan bölgelerden aynı koordinat noktalarına denk gelen voksel değerleri ile anlamlı veri kümeleri oluşturulmuştur. Özellik derecelendirme yöntemleri ile veriler en anlamlı özellikten en anlamsız özelliğe doğru derecelendirilmiştir. Sıralanan özellikler on kat çapraz geçerleme ile lineer ve rbf kernel kullanan destek vektör makinelerine giriş olarak verilmiştir. Yapılan denemeler sonucunda en yüksek doğruluk oranları t-test özellik derecelendirme tabanlı lineer destek vektör makineleri ile gri madde sınıflandırmada %92.857 ve beyaz madde sınıflandırmada %79.286 olarak bulunmuştur.

🔖

Cite This Article

ÖZİÇ, M. Ü., ÖZŞEN, S. (2020). 3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması. El-Cezeri, Cilt: 7 - Sayı: 3, 1152–1166. https://ajindex.com/articles/252343

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (8)

  1. Selekler K., "Alois Alzheimer ve Alzheimer Hastalığı," Türk Geriatri Dergisi, 2010, vol. 13, pp. 9-14. Türkiye Alzheimer Derneği, "Türkiye'de 600bin aile Alzheimer Hastalığı ile Mücadele Ediyor.", http://www.alzheimerdernegi.org.tr/haber/turkiyede-600-bin-aile-alzheimer- hastaligi-ile-mucadele-ediyor/, 2020, (Erişim tarihi: 10.02.2020). Association A s, "2019 Alzheimer's disease facts and figures," Alzheimer's & Dementia, 2019, vol. 15, no. 3, pp. 321-387. TUİK, "Nüfus Projeksiyonları",http://www.tuik.gov.tr/PreHaberBultenleri.do?id=30567, 2018, (Ziyaret Tarihi: 06.04.2020).
  2. Gürvit H., Baran B., "Demanslar ve Kognitif Bozukluklarda Ölçekler," Nöropsikiyatri Arşivi, 2007, vol. 44, pp. 58-65.
  3. Marcus D S., Wang T H., Parker J., Csernansky J G., Morris J C., Buckner R L., "Open Access Series of Imaging Studies (OASIS): cross-sectional MRI data in young, middle aged, nondemented, and demented older adults," Journal of cognitive neuroscience, 2007, vol. 19, no. 9, pp. 1498-1507. MRIcro, https://people.cas.sc.edu/rorden/mricro/mricro.html, 2020, (Ziyaret tarihi: 10.02.2020).
  4. UCL, SPM8, https://www.fil.ion.ucl.ac.uk/spm/software/spm8/, 2020, (Ziyaret Tarihi: 06.04.2020).
  5. Kurth F., Luders E.,Gaser C., "VBM8 toolbox manual", 2010, Jena: University of Jena. Öziç M Ü., "3B Alzheimer MR Görüntülerinin Sınıflandırılmasında Yeni Yaklaşımlar", Doktora Tezi, Fen Bilimleri Enstitüsü, Selçuk Üniversitesi, 2018.
  6. Pellegrini E., Ballerini L., Hernandez M d C V., Chappell F M., González-Castro V., Anblagan D., Danso S., Muñoz-Maniega S., Job D.,Pernet C, "Machine learning of neuroimaging for assisted diagnosis of cognitive impairment and dementia: A systematic review," Alzheimer's Dementia: Diagnosis, Assessment Disease Monitoring, 2018, vol. 10, pp. 519-535. Lahmiri S.,Shmuel A., "Performance of machine learning methods applied to structural MRI and ADAS cognitive scores in diagnosing Alzheimer’s disease," Biomedical Signal Processing, 2019, vol. 52, pp. 414-419.
  7. Jo T., Nho K.,Saykin A J., "Deep learning in Alzheimer’s disease: diagnostic classification and prognostic prediction using neuroimaging data", Frontiers in aging neuroscience, 2019, vol. 11, p. 220. Mahmood R.,Ghimire B., "Automatic detection and classification of Alzheimer's Disease from MRI scans using principal component analysis and artificial neural networks", in Systems, Signals and Image Processing (IWSSIP), 2013 20th International Conference on, pp. 133-137: IEEE, 2013.
  8. Jha D., Kim J-I.,Kwon G-R., "Diagnosis o