Alzheımer hastalığının teşhisi için demxnet model önerisi ve derin transfer öğrenme yöntemleri ile karşılaştırılması

Demans, biyolojik yaşlanmanın olağan sonuçlarının ötesinde bilişsel işlevlerde bozulmanın görüldüğü bir sendromdur. Demansın en yaygın görülen türü Alzheimer hastalığıdır. Gözle görülür semptomlar ortaya çıkmadan şiddetlenir ve tedavisi mümkün olmayan beyin rahatsızlığına neden olur. Bu nedenle teşhis ne kadar erken olursa hasta için önleyici faaliyetler ve tedavi başlatılabilir. Mini-Zihinsel Durum Testleri Muayenesi gibi testler genellikle erken teşhis için kullanılsa da teşhis manyetik rezonans görüntüleme (MRI) beyin analizine dayanır. Bu tez çalışmasında, Alzheimer tipi demans hastalığının teşhisi ve sınıflandırılması için derin öğrenme modellerinin performansları karşılaştırılmış ve ayrıca DEMXNET adlı yeni bir derin öğrenme tabanlı model önerilmiştir. Alzheimer hastalığının 4 sınıfını içeren MRI görüntüleri veri seti Kaggle platformundan elde edilmiştir. Veri setindeki sınıflarda görüntü sayısının dengesiz dağılımından dolayı Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) kullanılmıştır. Modellerin tamamı SMOTE'li ve SMOTE'siz olarak iki senaryoda eğitilerek test edilmiştir. Tüm modellerde SMOTE tekniğinin doğruluk oranlarını önemli ölçüde artıdığı görülmüştür. Alzheimer tipi demans hastalığının sınıflandırılmasında kullanılan SMOTE tekniği uygulanan modellerin doğruluk (accuracy) oranı performans sonuçları VGG16 (%92.89), VGG19 (%95.94), InceptionV3 (%89.65), Xception (%91.05), DenseNet201(%95.47) ve önerilen modelimiz DEMXNET için (%96.48) olarak elde edilmiştir. Önerilen DEMXNET modeli karşılaştırılan diğer modellerden daha başarılı olmuştur. Önerilen DEMXNET modeli özellikle dengesiz veri setleri için verimli bir şekilde kullanılabilir ve farklı veri setlerine de uyarlanabilir.