Dalveren, Gonca Gökçe MenekşeIsmaıl, Alı Mohamed Kotb Mohamed Ismaıl Alı Mohamed Kotb MohamedInformation Systems Engineering2024-07-072024-07-072023https://hdl.handle.net/20.500.14411/5670AD ilerlemesinin erken tahmin edilmesi, bilişsel gerilemeyi daha etkili bir şekilde yavaşlatmaya yardımcı olabilir. Dinlenme durumu fonksiyonel manyetik rezonans görüntüleme (rs-fMRI) kullanılarak otomatik AD teşhisi için evrişimli sinir ağlarına (CNN'ler) dayalı farklı yöntemlerin uygulanmasına yönelik birkaç çalışma yapılmıştır. Bu çalışmalarda tanıtılan yöntemler 2 büyük zorlukla karşılaşmaktadır. Bu zorluklardan ilki, overfitting ile sonuçlanan küçük boyutlu fMRI veri kümeleridir. İkincisi ise, fMRI verilerinin 4D bilgilerinin verimli bir şekilde modellenmesinin gerekmekte olduğudur. Bazı araştırmalar, 4D bilgilerini modellemek için fMRI verilerinden oluşturulan fonksiyonel bağlantı (FC) matrislerine derin öğrenme yöntemleri uygulamaktadır. Diğerleri ise değerli bilgi kaybına neden olan ayrı 2D dilimler veya 3D hacimler olarak fMRI verilerine uygulamaktadır. Bu çalışmada, AD teşhisi için fMRI verilerinin uzay-zamansal (4D) bilgilerini modellemek için CapsNet-RNN tanıtılmaktadır. Modelde, bir fMRI zaman serisinin hacimlerinden uzamsal özellikleri çıkarmak için, özellikle küçük boyutlu veri kümelerinde overfitting sorununu hafifletmek için geleneksel CNN'lerin bir modifikasyonu olan Kapsül Ağı (CapsNet) kullanılmaktadır. Uzamsal özellikler daha sonra zaman serisi boyunca zamansal ilişkileri modellemek için RNN ile kullanılmaktadır. RNN'ler. Modelimiz AD - NC ve lMCI - eMCI sınıflandırma görevleri için sırasıyla %86,5 ve %61,8 doğruluk elde edebilmiştir.An early prediction of Alzheimer's disease (AD) progression can help slow down cognitive decline more effectively. Several studies have been devoted to applying different methods based on convolutional neural networks (CNNs) for automated AD diagnosis using resting-state functional magnetic resonance imaging (rs-fMRI). The methods introduced in these studies encounter 2 major challenges. First, fMRI datasets suffer from being of small size resulting in overfitting. Second, the 4D information of fMRI sessions needs to be efficiently modeled. Some studies applied their deep learning methods to functional connectivity (FC) matrices generated from fMRI data to model the 4D information, or to fMRI data as separate 2D slices or 3D volumes resulting in valuable information loss in both kinds of methods. In this thesis, we introduce our CapsNet-RNN network to model the spatio-temporal (4D) information of fMRI data for AD diagnosis. Capsule Network (CapsNet) which is a modification of traditional CNNs to alleviate the overfitting problem, especially with small-size datasets, is used in our model to extract the spatial features from the volumes of an fMRI time-series. These spatial features are then fed to an RNN to model the temporal relationships across the time-series. Our model was able to achieve 86.5% and 61.8% accuracies for the AD vs NC and lMCI vs eMCI classification tasks respectively.enBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolComputer Engineering and Computer Science and ControlMaster Thesis825871081