Hibrit derin öğrenme yöntemleri ile beyin görüntüleri ve klinik özellikleri kullanılarak Alzheimer hastalığı sınıflandırması ve derecelendirilmesi

Alzheimer hastalığının erken teşhisi ve evrelerinin belirlenmesi, hastalığın ilerlemesini yavaşlatmak ve hastaların yaşam kalitesini artırmak açısından büyük bir öneme sahiptir. Bu tez, makine öğrenmesi ve derin öğrenme yöntemleri kullanarak Alzheimer teşhis ve sınıflandırma doğruluğunu artırmayı amaçlamaktadır. Çalışmada, OASIS ve ADNI veri setlerinden elde edilen MRI görüntüleri ve biyobelirteç verileri kullanılmıştır; örneklem Alzheimer, MCI ve sağlıklı bireylerden oluşmaktadır. İlk olarak, ağaç tabanlı algoritmalar (Karar Ağacı, Rastgele Orman, Gradient Boosting vb.) ile bir sınıflandırma sistemi geliştirilmiş ve Gradient Boosting algoritması %91.55 doğruluğa ulaşarak en başarılı sonuçları vermiştir. Ardından, çeşitli özellik çıkarım yöntemleri ile MMSE, CDR ve SES gibi parametrelerin teşhis doğruluğunu artırmada önemli olduğu belirlenmiştir. Gradyan tabanlı filtreler ile iyileştirilen MR görüntüleri, DenseNet201 modeli kullanılarak %98.63 doğrulukla sınıflandırılmıştır. Vision Transformer tabanlı model ise Alzheimer-Normal ve Alzheimer-MCI gibi sınıflandırmalarda %85-%92.5 doğruluğa ulaşarak başarılı sonuçlar vermiştir. Diğer çalışmalarda, Ridge Özellik Seçimi ile optimize edilen hibrit bir model %98.99 doğruluğa ulaşmış ve Otsu eşikleme yöntemi ile görüntü segmentasyonu gerçekleştirilmiştir. Ayrıca, SMA ile optimize edilen ResNet tabanlı model %97.48 doğruluk sağlamış, özellikle MCI sınıfında yüksek performans göstermiştir. Son olarak, mRMR ile optimize edilmiş VGGNet tabanlı bir model, dört sınıf ayrımında %98.59 doğruluğa ulaşmış, özellikle orta derecede demans sınıfında %100 doğruluk ile dikkat çekmiştir. Bu sonuçlar, Alzheimer teşhisinde önerilen yöntemlerin yüksek doğruluk ve etkinlik sunduğunu göstermekte ve literatüre katkı sağlamaktadır.