MULTİPLE SCLEROSİS(MS) HASTALIK TEŞHİSİ İÇİN YAPAY ZEKA TABANLI KLİNİK KARAR DESTEK TASARIMI

Abstract

Bu tez çalışmasında, manyetik rezonans görüntüleri (MRG) kullanılarak Multipl Skleroz (MS) hastalığının sağlıklı kontrol ve miyelit gruplarından ayrımını gerçekleştirmeyi amaçlayan yapay zekâ tabanlı bir karar destek sistemi geliştirilmiştir. Klinik pratikte benzer görüntüsel özellikler sergileyen demiyelinizan hastalıklar arasında doğru tanısal ayrım yapılabilmesi, erken teşhis, uygun tedavi planlaması ve hastalık yönetimi açısından kritik öneme sahiptir. Bu doğrultuda, farklı derin öğrenme mimarilerinin MS tanısındaki etkinliği karşılaştırmalı olarak analiz edilmiştir. Çalışmada, literatürde daha önce raporlanmış ve kamuya açık olarak paylaşılan bir MRG veri seti kullanılmış; görüntüler üzerinde veri ön işleme, normalizasyon ve standartlaştırma adımları uygulanmıştır. VGG16, ResNet50, DenseNet121, MobileNetV2, EfficientNet-B0 ve RegNetX-400MF gibi klasik evrişimsel sinir ağları; ConvNeXt-Tiny ve ConvNeXt-Small gibi modern CNN tabanlı mimariler ile Swin Transformer ve Vision Transformer tabanlı modeller eğitilmiştir. Performans değerlendirmesi doğruluk (accuracy), makro precision, makro recall ve makro F1-score metrikleri üzerinden gerçekleştirilmiştir. Elde edilen sonuçlara göre ConvNeXt-Tiny modeli %94.8 doğruluk ile en yüksek tanısal başarıyı elde etmiştir. ConvNeXt-Small modeli, %91.2 doğruluk değerine karşın 0.939 makro precision, 0.936 makro recall ve 0.937 makro F1-score ile sınıflar arası denge açısından en başarılı model olmuştur. Klasik CNN'ler arasında ResNet50, %94.2 doğruluk ve 0.929 makro F1-score ile öne çıkmıştır. Transformer tabanlı modellerde ise model kapasitesinin artırılmasının bu veri kümesi özelinde anlamlı bir performans artışı sağlamadığı gözlenmiştir. Bulgular, MRG tabanlı MS tanısında evrişim temelli yapıların hâlen güçlü ve güvenilir bir yaklaşım sunduğunu ortaya koymaktadır. Anahtar Kelimeler: Multipl Skleroz, Manyetik Rezonans Görüntüleme, Yapay Zekâ, Derin Öğrenme, Evrişimsel Sinir Ağları, ConvNeXt Mimarileri, Transformer Tabanlı ModellerIn this thesis, an artificial intelligence–based decision support system was developed to differentiate Multiple Sclerosis (MS) from healthy control and myelitis groups using magnetic resonance imaging (MRI). Achieving accurate diagnostic discrimination among demyelinating diseases that exhibit similar imaging characteristics in clinical practice is of critical importance for early diagnosis, appropriate treatment planning, and effective disease management. In this context, the effectiveness of different deep learning architectures for MS diagnosis was comparatively analyzed. In the study, a previously reported and publicly available MRI dataset was utilized, and preprocessing, normalization, and standardization procedures were applied to the images. Classical convolutional neural networks, including VGG16, ResNet50, DenseNet121, MobileNetV2, EfficientNet-B0, and RegNetX-400MF, as well as modern CNN-based architectures such as ConvNeXt-Tiny and ConvNeXt-Small, and Transformer-based models including Swin Transformer and Vision Transformer, were trained and evaluated. Model performance was assessed using accuracy, macro-averaged precision, macro-averaged recall, and macro F1-score metrics. The results demonstrated that the ConvNeXt-Tiny model achieved the highest diagnostic performance with an accuracy of 94.8%. Despite a lower accuracy of 91.2%, the ConvNeXt-Small model exhibited the most balanced class performance, achieving a macro precision of 0.939, macro recall of 0.936, and macro F1-score of 0.937. Among classical CNNs, ResNet50 stood out with an accuracy of 94.2% and a macro F1-score of 0.929. For Transformer-based models, increasing model capacity did not yield a significant performance improvement for this specific dataset. Overall, the findings indicate that convolution-based architectures remain a robust and reliable approach for MRI-based MS diagnosis. Keywords: Multiple Sclerosis, Magnetic Resonance Imaging, Artificial Intelligence, Deep Learning, Convolutional Neural Networks, ConvNeXt Architectures, Transformer-Based Models