KaydedilenlerDerginizi ekleyin

Dergiler / Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi / 2023 / Cilt: 25 - Sayı: 73

fMRG Hacimlerini Kullanarak DEHB’nin 3B ESA Tabanlı Otomatik Teşhisi

3D CNN Based Automatic Diagnosis of ADHD Using fMRI Volumes

Gürcan TAŞPINAR
Nalan ÖZKURT
Sayfa
1–8
Yayın Tarihi
2023-01-26
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Kullanılan sinir ağının umut verici bir performansa sahip olduğu gözlemlenmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Dikkat eksikliği hiperaktivite bozukluğu (DEHB) en sık görülen beyin deformasyonlarından biridir ve özellikle çocukların okul başarılarını olumsuz yönde etkilemektedir.
📊
Temel Bulgular & Veri:Bu çalışma ile, DEHB tanısında uzmanlara yardımcı olmak amacıyla fonksiyonel manyetik rezonans görüntüleme hacimlerini iki sınıfa ayırmak için optimize edilmiş 3 boyutlu evrişimli bir sinir ağı sunulmaktadır.
💡
Sonuç & Katkı:Kullanılan sinir ağının umut verici bir performansa sahip olduğu gözlemlenmektedir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Dikkat Eksikliği Hiperaktivite Bozukluğu · fonksiyonel manyetik rezonans görüntüleme · 3B Evrişimsel Sinir Ağı

Özet

Dikkat eksikliği hiperaktivite bozukluğu (DEHB) en sık görülen beyin deformasyonlarından biridir ve özellikle çocukların okul başarılarını olumsuz yönde etkilemektedir. Uzmanların, DEHB hastalarına uygun tedavi verebilmeleri için bu hastalığın nörobiyolojik tanısı önemlidir. Makine öğrenimi algoritmaları ile birlikte, nörogörüntüleme teknolojileri, özellikle fonksiyonel manyetik rezonans görüntüleme, dikkat eksikliği hiperaktivite bozukluğunda biyobelirteç olarak giderek daha fazla kullanılmaktadır. Ayrıca, makine öğrenme yöntemleri son zamanlarda popüler hale gelmektedir. Bu çalışma ile, DEHB tanısında uzmanlara yardımcı olmak amacıyla fonksiyonel manyetik rezonans görüntüleme hacimlerini iki sınıfa ayırmak için optimize edilmiş 3 boyutlu evrişimli bir sinir ağı sunulmaktadır. Verilerin 3 boyutlu ilişkilerinin çıkarılmasının önemini göstermek için yöntem, halka açık ADHD-200 veri setlerinin öğrenme ve test verileri kullanılarak test edilmiş ve sinir ağının performansı değerlendirilmiştir. Daha sonra sinir ağının performansı, literatürdeki birkaç yeni DEHB algılama evrişimli sinir ağı ile karşılaştırılmıştır. Kullanılan sinir ağının umut verici bir performansa sahip olduğu gözlemlenmektedir.

Abstract

Attention deficit hyperactivity disorder (ADHD) is one of the most common mental health disorders and it is threatening especially to the academic performance of children. Its neurobiological diagnosis is essential for clinicians to treat ADHD patients properly. Along with machine learning algorithms, and neuroimaging technologies, especially functional magnetic resonance imaging is increasingly used as biomarker in attention deficit hyperactivity disorder. Also, machine learning methods have been becoming popular at last times. This study presents an optimized 3-dimensional convolutional neural network to classify functional magnetic resonance imaging volumes into two classes to assist experts in diagnosing ADHD. To demonstrate the importance of extracting 3D relationships of data, the method has been tested on ADHD-200 public datasets and its performance on the hold-out testing datasets has been evaluated. Then the network performance has been compared with several recent ADHD detection convolutional neural networks in the literature. It has been observed that the proposed network has a promising performance.

🔖

Bu Makaleye Atıf Yap

TAŞPINAR, G., ÖZKURT, N. (2023). fMRG Hacimlerini Kullanarak DEHB’nin 3B ESA Tabanlı Otomatik Teşhisi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, Cilt: 25 - Sayı: 73, 1–8. https://ajindex.com/articles/878482

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Polanczyk, G. V.; Willcutt, E. G.; Salum, G. A.; Kieling, C.; Rohde, L. A. ADHD prevalence estimates across three decades: An updated systematic review and meta-regression analysis, Int. J. Epidemiol., 2014; vol. 43, no. 2, pp. 434_442
  2. Eloyan, A.; Muschelli, J.; Nebel, M. B.; Liu, H.; Han, F.; Zhao, T.; Barber, A.D.; Joel, S.; Pekar, J.J.; Mostofsky, S. H.; Caffo, B. Automated diagnoses of attention deficit hyperactive disorder using magnetic resonance imaging, Frontiers Syst. Neurosci., 2012; vol. 6, p. 61
  3. Peng, X.; Lin, P.; Zhang, T.; Wang, J. Extreme learning machine-based classification of ADHD using brain structural MRI data, PLoS ONE, 2013; vol. 8, no. 11, p. e79476
  4. Liu, D.; Yan, C.; Ren, J.; Yao, L.; Kiviniemi, V. J.; Zang, Y. Using coherence to measure regional homogeneity of resting-state FMRI signal, Frontiers in Systems Neuroscience, 2010; 4, Article 24
  5. Yin, W.; Li, L.; Wu, F. X. Deep Learning for Brain Disorder Diagnosis Based on fMRI Images, ScienceDirect, Neurocomputing, 2020;
  6. Krizhevsky, A.; Sutskever, I.; Hinton, G. E. Imagenet classification with deep convolutional neural networks, in Advances in neural information processing systems, 2012; pp. 1097-1105
  7. Korekado, K.; Morie, T.; Nomura, O.; Ando, H.; Nakano, T.; Matsugu, M.; Iwata, A. A convolutional neural network VLSI for image recognition using merged/mixed analog-digital architecture, in International Conference on Knowledge-Based and Intelligent Information and Engineering Systems, 2003; pp. 169-176
  8. Lawrence, S.; Giles, C. L.; Tsoi, A. C.; Back, A. D. Face recognition: A convolutional neural-network approach, IEEE transactions on neural networks, 1997; vol. 8, pp. 98-113
  9. Karpathy, A.; Toderici, G.; Shetty, S.; Leung, T.; Sukthankar, R.; Fei-Fei, L. Large-scale video classification with convolutional neural networks, in Proceedings of the IEEE conference on Computer Vision and Pattern Recognition, 2014; pp. 1725-1732
  10. Simonyan, K.; Zisserman, A. Two-stream convolutional networks for action recognition in videos, in Advances in neural information processing systems, 2014; pp. 568-576
  11. Zhu, B.; Liu, J. Z.; Rosen, B. R.; Rosen, M. S. Image reconstruction by domain transform manifold learning, 2017; arXiv preprint arXiv:1704.08841
  12. Lecun, Y.; Bottou, L.; Bengio, Y.; Haffner, P. Gradient-based learning applied to document recognition, Proceedings of the Ieee, 1998; vol. 86, pp. 2278-2324,