Alzheimer tanısı için derin öğrenme tabanlı analiz

Alzheimer, dünyanın her ülkesinde önde gelen ölüm nedenleri arasında yer almaktadır. Bununla birlikte, Alzheimer tanısı zor bir hastalıktır. Çünkü semptomları diğer yaşlılık belirtileriyle sıkça karıştırılabilir. Alzheimer tanısı için tek ve kesin bir yöntem bulunmamakla birlikte, birden fazla faktörün dikkate alındığı kapsamlı bir değerlendirme yapılması önemlidir. Özellikle Alzheimer'ın erken evrelerde teşhisi hem hastanın hem de yakınlarının hastalığı daha iyi yönetmeleri ve planlamaları için gereklidir. Bu sayede gerekli önlemler ve tedbirler alınabilir. Makine öğrenimi, derin öğrenme ve diğer yapay zeka biçimlerinin hızla yükselişi, medikal görüntü işleme alanında büyük ilerlemelere yardımcı olmaktadır. Bu paralelde yapay zeka alanındaki araştırmalar giderek artan bir yoğunluk kazanmaktadır. Derin öğrenme insan sinir ağlarından ilham alarak birçok yapay nöron katmanından oluşan bir makine öğrenmesi yaklaşımıdır. Derin öğrenme temelli yöntemler, çeviri işlemlerinden metin yazma hizmetlerine, otonom sürüş sistemlerinden endüstriyel robotlara, sağlık hizmetlerinden pazarlama ve satışa kadar birçok alanda yoğun bir şekilde kullanılmaktadır. Bu tez çalışmasında, makine öğrenimi tabanlı farklı yaklaşımlar kullanılarak Alzheimer Hastalığı'nın erken tanısı için yeni mimariler önerilmektedir. Önerilen mimariler, Alzheimer tanısı için evrişimli sinir ağı yöntemlerinden faydalanmaktadır. Beyin tarama görüntüleri, üç kategorili bir sınıflandırma işlemi yapılarak Alzheimer, hafif bilişsel bozukluk ve kontrol grubu olarak yüksek doğruluklarla ayıklanmıştır. Veri kümesi, çeşitli veri artırma yöntemleri ile genişletilerek modeller beslenmektedir. Veriler, farklı katmanlardan oluşan özgün bir evrişimli sinir ağı mimarisi ve çeşitli transfer öğrenme tabanlı özellik çıkarıcıların kullanıldığı altı farklı model ile test edilmektedir. Ayrıca, transfer öğrenme tabanlı yöntemlerin performanslarını artırmak için özgün bir sinir ağı tabanlı sınıflandırıcıya bağlanmıştır. Bu şekilde birçok farklı yöntem tez kapsamında test edilmiştir. Sonuç olarak, Xception ve VGG19 tabanlı ön eğitilmiş modellerimize, tasarımımız olan sınıflandırıcımız bağlandığında yüksek doğruluk oranlarıyla başarılı bir Alzheimer erken tanısı modeli elde edilmiştir.