HİBRİT DERİN ÖĞRENME YÖNTEMLERİ İLE BEYİN GÖRÜNTÜLERİ VE KLİNİK ÖZELLİKLERİ KULLANILARAK ALZHEİMER HASTALIĞI SINIFLANDIRMASI VE DERECELENDİRİLMESİ

Abstract

Alzheimer hastalığının erken teşhisi ve evrelerinin belirlenmesi, hastalığın ilerlemesini yavaşlatmak ve hastaların yaşam kalitesini artırmak açısından büyük bir öneme sahiptir. Bu tez, makine öğrenmesi ve derin öğrenme yöntemleri kullanarak Alzheimer teşhis ve sınıflandırma doğruluğunu artırmayı amaçlamaktadır. Çalışmada, OASIS ve ADNI veri setlerinden elde edilen MRI görüntüleri ve biyobelirteç verileri kullanılmıştır; örneklem Alzheimer, MCI ve sağlıklı bireylerden oluşmaktadır. İlk olarak, ağaç tabanlı algoritmalar (Karar Ağacı, Rastgele Orman, Gradient Boosting vb.) ile bir sınıflandırma sistemi geliştirilmiş ve Gradient Boosting algoritması %91.55 doğruluğa ulaşarak en başarılı sonuçları vermiştir. Ardından, çeşitli özellik çıkarım yöntemleri ile MMSE, CDR ve SES gibi parametrelerin teşhis doğruluğunu artırmada önemli olduğu belirlenmiştir. Gradyan tabanlı filtreler ile iyileştirilen MR görüntüleri, DenseNet201 modeli kullanılarak %98.63 doğrulukla sınıflandırılmıştır. Vision Transformer tabanlı model ise Alzheimer-Normal ve Alzheimer-MCI gibi sınıflandırmalarda %85-%92.5 doğruluğa ulaşarak başarılı sonuçlar vermiştir. Diğer çalışmalarda, Ridge Özellik Seçimi ile optimize edilen hibrit bir model %98.99 doğruluğa ulaşmış ve Otsu eşikleme yöntemi ile görüntü segmentasyonu gerçekleştirilmiştir. Ayrıca, SMA ile optimize edilen ResNet tabanlı model %97.48 doğruluk sağlamış, özellikle MCI sınıfında yüksek performans göstermiştir. Son olarak, mRMR ile optimize edilmiş VGGNet tabanlı bir model, dört sınıf ayrımında %98.59 doğruluğa ulaşmış, özellikle orta derecede demans sınıfında %100 doğruluk ile dikkat çekmiştir. Bu sonuçlar, Alzheimer teşhisinde önerilen yöntemlerin yüksek doğruluk ve etkinlik sunduğunu göstermekte ve literatüre katkı sağlamaktadır.

Early diagnosis and identification of the stages of Alzheimer's disease is of great importance to slow down the progression of the disease and improve the quality of life of patients. This thesis aims to improve Alzheimer's diagnosis and classification accuracy using machine learning and deep learning methods. The study utilizes MRI images and biomarker data from OASIS and ADNI datasets; the sample consists of Alzheimer's, MCI and healthy individuals. First, a classification system was developed with tree-based algorithms (Decision Tree, Random Forest, Gradient Boosting, etc.) and the Gradient Boosting algorithm gave the most successful results with an accuracy of 91.55%. Then, with various feature extraction methods, it was determined that parameters such as MMSE, CDR and SES are important in increasing the accuracy of identification. MR images enhanced with gradient-based filters were classified with 98.63% accuracy using the DenseNet201 model. The Vision Transformer-based model, on the other hand, achieved 85%-92.5% accuracy in classifications such as Alzheimer-Normal and Alzheimer-MCI. In other studies, a hybrid model optimized with Ridge Feature Selection achieved 98.99% accuracy and performed image segmentation with Otsu thresholding method. In addition, the ResNet-based model optimized with SMA achieved 97.48% accuracy and performed particularly well in the MCI class. Finally, a VGGNet-based model optimized with mRMR achieved 98.59% accuracy in four class discriminations, with 100% accuracy, especially in the moderate dementia class. These results show that the proposed methods offer high accuracy and efficiency in Alzheimer's diagnosis and contribute to the literature.