MRI verilerinden alzheimer hastalığının tanısında en iyi derin öğrenme mimarilerinin keşfedilmesi

Abstract

Bu tez çalışmasında, Alzheimer hastalığının manyetik rezonans görüntüleme verileri üzerinden otomatik teşhisine yönelik en etkili derin öğrenme mimarisinin belirlenmesi amaçlanmıştır. Bu kapsamda, EfficientNet-B0, ResNet-50, U-Net, MobileNetV2 ve InceptionV3 mimarileri aynı veri kümesi ve sabit hiperparametreler altında karşılaştırmalı olarak değerlendirilmiştir. Çalışmada, 18–96 yaş aralığındaki 416 bireye ait manyetik rezonans görüntülerinden oluşan ve dört farklı Alzheimer evresini içeren OASIS-1 veri kümesi kullanılmıştır. Modeller, Alzheimer hastalığının Non-Demented, Very Mild Demented, Mild Demented ve Moderate Demented evrelerini içeren etiketli MRI verileri üzerinde eğitilmiştir. Performans değerlendirmesi doğruluk, kesinlik, duyarlılık, F1 skoru ve ROC-AUC metrikleri üzerinden gerçekleştirilmiş; buna ek olarak model boyutu, eğitim süresi ve parametre yoğunluğu gibi operasyonel kriterler de dikkate alınmıştır. Deneysel sonuçlar, InceptionV3 mimarisinin %0.86 test doğruluğu ve 0.97 makro AUC değeri ile en yüksek sınıflandırma performansını elde ettiğini göstermiştir. MobileNetV2 modeli, %0.74 test doğruluğu ve 0.90 makro AUC değeri ile düşük parametre sayısına rağmen dengeli ve verimli bir performans sunmuştur. EfficientNet-B0 mimarisi %0.63 test doğruluğu ile orta seviyede bir performans sergilerken, ResNet-50 modeli 0.95 makro AUC değeri ile yüksek ayrıştırma gücü göstermiştir. U-Net Encoder mimarisi ise diğer modellere kıyasla daha sınırlı bir sınıflandırma başarısı elde etmiştir. Elde edilen bulgular, derin öğrenme tabanlı yaklaşımların Alzheimer hastalığının erken evre teşhisinde etkili ve klinik uygulamalara entegre edilebilir olduğunu ortaya koymaktadır.In this thesis, the aim is to identify the most effective deep learning architecture for the automated diagnosis of Alzheimer’s disease using magnetic resonance imaging data. Within this scope, the EfficientNet-B0, ResNet-50, U-Net, MobileNetV2, and InceptionV3 architectures were comparatively evaluated under the same dataset and fixed hyperparameter settings. The study utilized the OASIS-1 dataset, which consists of magnetic resonance images obtained from 416 individuals aged between 18 and 96 years and includes four different stages of Alzheimer’s disease. The models were trained on a labeled MRI dataset representing the Non-Demented, Very Mild Demented, Mild Demented, and Moderate Demented stages of Alzheimer’s disease. Performance evaluation was conducted using accuracy, precision, recall, F1-score, and ROC-AUC metrics. In addition to classification performance, operational criteria such as model size, training time, and parameter density were also taken into consideration. Experimental results demonstrated that the InceptionV3 architecture achieved the highest classification performance, with a test accuracy of 0.86 and a macro AUC value of 0.97. The MobileNetV2 model provided a balanced and efficient performance, achieving a test accuracy of 0.74 and a macro AUC of 0.90 despite its low parameter count. EfficientNet-B0 exhibited a moderate performance with a test accuracy of 0.63, while the ResNet-50 model showed strong discriminative capability with a macro AUC value of 0.95. The U-Net Encoder architecture yielded more limited classification performance compared to the other models. The findings indicate that deep learning-based approaches are effective and suitable for integration into clinical applications for the early diagnosis of Alzheimer’s disease.