DEMANS ÖZELLİKLERİNİN BELİRLENMESİ İÇİN FİLTRE ÖZNİTELİK SEÇİM ANALİZİ

Özet

Demans hastalıkları nöropsikiyatrik bozukluklar olarak tanımlanır. Manyetik rezonansgörüntüleme teknikleri ile iki boyutlu dilimlenmiş beyin taramaları oluşturulabilir. Butaramalar üzerinden bölgelerin üç boyutlu ölçümlerine ulaşılabilir. Sayısal beyinözellikleri Freesurfer aracı kullanılarak çıkarılabilmektedir. Bu özelliklerin vedemografik verinin öğrenme algoritmalarında parametreler olarak yer almasıyla,bilinmeyen bir örnek,sağlıklı veya demans olarak etiketlenebilir. Öte yandan, tüm özellik setindeki bazı öznitelikler diğerlerine göre daha az yararlı veya direkt etkisiz olabilir. Buaraştırmanın amacı, en belirgin demans özelliklerini belirlemek adına ilk adım olaraktoplamda 2939 olan girdi özniteliklerinin sayısını azaltmaktır. Bu amaçla, ADNI verisetindeki toplam 2264 numune (471 AH, 428 gHBB, 669 eHBB, 696 sağlıklı kontrol), %65eğitim seti (1464 numune) ve %35 test seti (800 numune) olmak üzere iki grubaayrılmaktadır. Çeşitli filtre öznitelik seçim algoritmaları (Bilgi Kazanımı, Kazanç Oranı,Simetrik Belirsizlik, Pearson Korelasyonu, Korelasyona Dayalı Öznitelik Alt KümesiSeçimi), Bayes tabanlı ve ağaç tabanlı sınıflandırıcılarla birlikte farklı parametrelerüzerinden test edilmektedir. %76,50'ye varan test performans doğruluğu oranlarıayrıntılı olarak analiz edilmektedir. Öznitelik setinin tamamını işlemek yerine, doğruşekilde daha az öznitelik alındığında genel performans artış eğilimindedir.

Abstract

Dementias are known as neuropsychiatric disorders. Two-dimensional sliced brain scans can be generated via magnetic resonance imaging. Three-dimensional measurements of regions can be reached from those scans. Numerical brain features can be extracted through operating the Freesurfer tool. Parametrizing those features and demographic information in learning algorithms can label an unknown sample as healthy or dementia. On the other hand, some of the features in the initial set may be less practical than others. In this research, the aim is to decrease the input feature-count, a total of 2939 attributes,as a first step to determine the most distinctive dementia characteristics. To that end, a total of 2264 ADNI dataset samples (471 AD, 428 lMCI, 669 eMCI, 696 healthy controls) are divided into two sets: 65% training set (1464 samples) and 35% test set (800 samples). Various filter feature selection algorithms (Information Gain, Gain Ratio,Symmetrical Uncertainty, Pearson’s Correlation, Correlation-based Feature Subset Selection) are tested over different parameters together with multiple Bayesian-based and tree-based classifiers. Test performance accuracy rates up to 76.50% are analyzed in detail. Instead of processing the whole feature set, the overall performance tends to increase with correctly fewer attributes taken.