DERİN ÖĞRENME YÖNTEMLERİNİ KULLANARAK BEYİN MR GÖRÜNTÜLERİNDEN OTOMATİK ÇOK SINIFLI ALZHEİMER HASTALIĞI TESPİTİ

Abstract

Beyin MR görüntüleri incelenerek doktorlar tarafından alzheimer hastalığının teşhis edilmesi zor, insan hatasına yatkın ve zaman alıcı bir işlemdir. Son yıllarda derin öğrenme mimarileri kullanılarak birçok araştırmacı, alzheimer hastalığının erken ve doğru teşhisi konusunda çalışmalar yürütmektedir. Fakat literatürde incelenen çalışmalarda gözlemlenen başarı oranları klinik olarak gerçek hastanelerde kullanılması için yeterli değildir. Bu çalışmada derin öğrenme mimarileri kullanılarak hızlı ve yüksek doğruluk ile alzheimer hastalığının görüntülerinin sınıflandırılabilmesi amaçlanmaktadır. Ayrıca önerilen çalışma, hastanelerde kullanılarak alanında uzman doktorlara hastalık tespiti konusunda destek olabilecek bu sayede yanlış tedavilerin azaltılmasında önemli bir rol oynayabilecektir. Çalışmanın eğitim, doğrulama ve test aşamalarında kaggle üzerinden elde edilen açık kaynak lisanslı Augmented Alzheimer MRI veri seti kullanılmıştır. Önerilen mimari EfficientNet derin öğrenme modeline SE blok dikkat mekanizması eklenerek geliştirilmiştir. Yürütülen deneyler sonucunda elde edilen bulgular, önerilen derin öğrenme mimarisinin literatürde incelenen diğer çalışmalara kıyasla en yüksek başarı oranında elde edildiğini göstermiştir. Doğruluk değerlendirme metriğinde önerilen mimari 0,9903 başarı oranını elde ederek Alzheimer hastalığına ait görüntüleri başarıyla sınıflandırabileceğini göstermiştir. Önerilen yöntem, Alzheimer hastalığının tespitinde verimliliği artıracak, alanında uzman doktorların iş yükünü azaltabilecek, teşhis ve tedavi süreçlerinin kalitesini yükseltebilecektir.

Diagnosis of Alzheimer's disease by doctors by analyzing brain MRI images is a difficult, human error-prone and time-consuming process. In recent years, many researchers have been working on early and accurate diagnosis of Alzheimer's disease using deep learning architectures. However, the success rates observed in the studies examined in the literature are not sufficient for clinical use in real hospitals. In this study, it is aimed to classify the images of Alzheimer's disease with fast and high accuracy using deep learning architectures. In addition, the proposed study can be used in hospitals to support specialist doctors in disease detection and thus play an important role in reducing incorrect treatments. In the training, validation and testing phases of the study, the open source licensed Augmented Alzheimer MRI dataset obtained through kaggle was used. The proposed architecture was developed by adding SE block attention mechanism to EfficientNet deep learning model. The results of the experiments showed that the proposed deep learning architecture achieved the highest success rate compared to other studies in the literature. In the accuracy evaluation metric, the proposed architecture achieved a success rate of 0,9903 indicating that it can successfully classify images of Alzheimer's disease. The proposed method will increase the efficiency in the detection of Alzheimer's disease, reduce the workload of specialist doctors, and improve the quality of diagnosis and treatment processes.