Dinlenme hali fonksiyonel manyetik rezonans görüntülerinin derin öğrenme yöntemleriyle analizi ve nörodejeneratif hastalık tanısında kullanılması

Abstract

Dinlenme hali fMRG, beyindeki uzamsal konumlara bağlı BOLD sinyallerinden dolaylı olarak ölçülen sinirsel aktifliğin zamansal dinamiklerini içerir. 3 konumsal ve bir zamansal boyutuyla 4 boyutlu bir tensör yapısındadır. Beyindeki hastalığı modelleyen bağlantılar, örüntüler ve ilişkiler içerdiği düşünülmektedir. Beyinde meydana gelen hastalıklardaki heterojenlik nedeniyle hastalıkların biyobelirteçleri tam olarak bilinmemekte ve tanısı zorlaşmaktadır. Makine öğrenmesi ve görüntü işleme teknikleriyle donatılmış bilgisayar destekli tanı çalışmaları, dh-fMRG verilerindeki örüntüleri ve ilişkileri ortaya çıkarabilmeleri açısından büyük bir potansiyele sahiptir. Bu tezde, çeşitli boyutlarda çekirdeklere sahip Evrişimli, Tekrarlayan Sinir Ağları ve Destek Vektör Makineleri modelleri ile Parkinson, Şizofreni ve Otizm Spektrum Bozukluğu tanılama çalışmaları yapılmıştır. Bu çalışmanın katkısı şöyle sıralanabilir; (1) 4 boyutlu uzam-zamansal seyrek evrişimli sinir ağları kullanılarak kurulan modeller, dh-fMRG verisine ilk defa uygulanmıştır. Bu ağlar bütün bir ham dh-fMRG sekansıyla beslenmekte ve uçtan uca eğitilmektedir. Seyrek evrişimli katmanlar sayesinde aynı boyuttaki geleneksek evrişimlerden ve tekrarlayan sinir ağlarından daha az kaynakla ve daha hızlı çalışmaktadır. (2) Birden fazla dh-fMRG veri kümesinin ComBat yöntemiyle harmonize edilerek kullanılması da oldukça yeni bir yöntemdir. (3) Bildiğimiz kadarıyla, bu tezdeki bazı Parkinson sınıflandırma deneyleri, literatürde rs-fMRI ve derin öğrenme yöntemleri kullanılarak yapılan ilk Parkinson tanı çalışmalarıdır. Ayrıca, ComBat yöntemiyle harmonize edilmiş öznitelikler üzerine yapılan ve Destek Vektör Makinelerinin sınıflandırıcı olarak kullanıldığı Parkinson tanı deneyleri yüksek başarım göstermiştir. Tezdeki Şizofreni ve Otizm Spektrum Bozukluğu tanılama çalışmalarında ulaşılan başarım, literatürdeki 4 boyutlu uzam-zamansal görüntü işleme yapan emsallerine benzerdir.Resting state fMRI includes temporal dynamics of neural activity, measured indirectly from BOLD signals linked to spatial locations in the brain. It has a 4-dimensional tensor structure with 3 spatial and one temporal dimensions. It is thought to contain connections, patterns, and relationships that model disease in the brain. Due to the heterogeneity in diseases occurring in the brain, the biomarkers of diseases are not known exactly and diagnosis becomes difficult. Computer-aided diagnostic studies equipped with machine learning and image processing techniques have great potential in terms of revealing patterns and relationships in rs-fMRI data. In this thesis, Parkinson, Schizophrenia and Autism Spectrum Disorder diagnosis studies were carried out with Convolutional Neural Networks with kernels of various dimensions, Recurrent Neural Networks and Support Vector Machines models. The contribution of this study can be listed as follows; (1) Models constructed using 4-dimensional spatio-temporal sparse convolutional neural networks were applied to rs-fMRI data for the first time. These networks are fed with an entire raw rs-fMRI sequence and trained end-to-end. Thanks to sparse convolution layers, it works faster and with less resources than recurrent neural networks and traditional convolutions of the same size. (2) Harmonizing more than one rs-fMRI dataset with the ComBat method is also a fairly new method. (3) To the best of our knowledge, certain Parkinson's classification experiments in this thesis are the first Parkinson's diagnosis studies using rs-fMRI and deep learning methods in the literature. Moreover, Parkinson's diagnosis experiments performed on harmonized features with the ComBat method and using Support Vector Machines as classifiers showed high performance. The performance achieved in the Schizophrenia and Autism Spectrum Disorder diagnostic studies in the thesis is similar to its 4-dimensional spatio-temporal image processing counterparts in the literature.