Nörolojik bozuklukların transfer öğrenme temelli analizi

Abstract

Nörolojik hastalıklar, insan hayatını önemli ölçüde etkileyen ve genellikle ilerleyici özelliklere sahip hastalıklardır. Bu hastalıklar, kişinin motor ve bilişsel işlevlerinde kayıplara neden olarak yaşam kalitesini düşürmekte ve günlük aktivitelerini kısıtlamaktadır. Özellikle Alzheimer, Multipl Skleroz (MS) ve beyin tümörleri gibi nörolojik hastalıklar, erken teşhis edilmediğinde tedavi şansı azalmaktadır. Bu bağlamda, tanı ve erken teşhis için gelişmiş teknolojilere olan ihtiyaç artmaktadır. Bu tezde, nörolojik bozuklukların analizi ve sınıflandırılması için transfer öğrenme temelli yaklaşımların uygulanabilirliği incelenmiştir. Bu amaçla, bu tez çalışması için önerilen bir Evrişimli Sinir Ağı (Convolutional Neural Networks-CNN) modelinin sınıflandırma performansı, VGG16, ResNet50, InceptionV3 ve Görüntü Transformatörü (Vision Transformer-ViT) gibi ön eğitimli TL modellerinin performansları ile karşılaştırılmıştır. Tasarlanan modeller, MS-2, Br35h, MS-3, Alzheimer ve beyin tümörü veri kümeleri üzerinde eğitilmiştir. Elde edilen sonuçlar, her bir modelin farklı veri kümeleri üzerindeki başarım parametrelerinin kıyaslanması yoluyla analiz edilmiştir. Önerilen CNN modeli, MS-2, Br35h ve MS-3 sınıflandırmalarında VGG16 ve InceptionV3 gibi güçlü modellerle karşılaştırıldığında neredeyse aynı doğruluk seviyelerine ulaşmıştır. Ayrıca sonuçlar, TL yöntemlerinin nörolojik hastalıkların tanı ve teşhisinde özellik çıkarımı uygulanarak potansiyel olarak yüksek doğruluk oranları sunduğunu göstermektedir. Bu da, transfer öğrenmenin, sınırlı veri setleriyle çalışılsa dahi güçlü bir çözüm sunabileceğini ve tıbbi teşhis süreçlerinde önemli bir katkı sağlayabileceğini ortaya koymaktadır.

Neurological disorders are diseases that significantly affect human life and are generally progressive. These disorders reduce the quality of life and limit daily activities by causing losses in the motor and cognitive functions of the person. Especially neurological diseases such as Alzheimer, Multiple Sclerosis (MS) and brain tumors, when not diagnosed early, the chance of treatment decreases. In this context, the need for advanced technologies for diagnosis and early detection is increasing. In this thesis, the applicability of transfer learning-based approaches for the analysis and classification of neurological disorders is investigated. For this purpose, the classification performance of a proposed Convolutional Neural Network (CNN) model for this thesis is compared with the performances of pre-trained TL models such as VGG16, ResNet50, InceptionV3 and Vision Transformer (ViT). The designed models are trained on MS-2, Br35h, MS-3, Alzheimer and brain tumor datasets. The obtained results are analyzed by comparing the performance parameters of each model on different datasets. The proposed CNN model has achieved almost the same accuracy values in MS-2, Br35h and MS-3 classifications when compared to powerful models such as VGG16 and InceptionV3. In addition, the results show that TL methods offer potentially high accuracy rates by applying feature extraction in the diagnosis and prognosis of neurological diseases. This shows that transfer learning can provide a powerful solution even when working with limited datasets and can make a significant contribution to medical diagnosis processes.