GENGEÇ BENLİ Ş. (Yürütücü), İÇER S., BATBAT T.
Yükseköğretim Kurumları Destekli Proje, 2023 - Devam Ediyor
-
Proje Türü:
Yükseköğretim Kurumları Destekli Proje
-
Başlama Tarihi:
Ocak 2023
-
Bitiş Tarihi:
Devam Ediyor
Proje Özeti
Derin öğrenme, birçok veri türünde özellikle tıbbi görüntü gibi büyük hacimli görüntülerin otomatik analizinde yüksek performans düzeyi nedeniyle makine öğreniminin çok popüler bir alt kümesi haline gelmiştir. Özellikle gözle görülen bir patoloji içermeyen ancak nörofonksiyonel anormallikler ile ilişkili olma eğiliminde olan psikiyatrik ve nörolojik bozuklukların araştırılmasında da derin öğrenmenin kullanılması ile ilgili çalışmalar ümit vericidir. Spesifik bir etiketli bölge olmadan görüntü içerisinde hastalığa dayalı karakteristik ve özelliklerin bulunması oldukça önem arz eden bir yapay zeka problemidir.
Şizofreni dünya nüfusunun yaklaşık %1'ini etkileyen nörogelişimsel ve psikolojik bir bozukluktur. Karmaşık klinik semptomlar nedeniyle şizofreninin patolojik mekanizması belirsizliğini korumakta ve tanısında kesin bir standart bulunmamaktadır. Şizofrenide görülen tipik olmayan beyin yapısı ve beyin fonksiyonları invaziv olmayan beyin görüntüleme çalışmaları ışığında belirlenmeye çalışılmaktadır. Şizofreninin ve çeşitli evrelerinin nörobiyolojik süreçlerin anlaşılmasında son yıllarda manyetik rezonans görüntüleme (MRG) teknolojisinde gerçekleşen gelişmelerin büyük payı bulunmaktadır.
Bilişsel sinirbilim alanında kullanılan en popüler yöntem fonksiyonel MRG beynin aktif bölgelerindeki deoksihemoglobin artışı sinyal değişikliklerine neden olarak beynin fonksiyonel haritalamasına imkan sağlar ve böylece fMRG’nin temeli olan kan oksijenasyonu seviye bağımlı sinyali (BOLD) ile elde edilir. Dinlenme durumu-fMRG yaklaşımı, herhangi bir görev yada uyarı sunmadan dinlenme halindeki beyin aktivitesini ölçerek spontan sinirsel aktivitenin uzaysal ve zamansal bilgileri aracılığıyla beynin nöronal organizasyonunu anlamak için kullanılmaktadır.
Bu proje çalışmasında şizofreni hastalığına sahip kişilerin dinlenme durumu-fMRG görüntülerinin derin öğrenme yaklaşımları ile sınıflandırılması amaçlanmıştır. Önerdiğimiz projede büyük hacimli ve gözle görülen patoloji içermeyen fMRG görüntülerine kesitsel-2D ve hacimsel-3D olarak CNN modellerinin uygulanması ve en etkin sınıflandırma başarısının elde edilmesi projenin temel hedefidir. Uygulamayı planladığımız YOLO ve/veya Faster R-CNN yöntemlerini ayrı ayrı kullanarak ön işlenmiş beyin fMRG görüntülerinin aksiyal, sagittal ve koronal düzlemdeki 2 boyutlu görüntüleri ile ayrı ayrı sınıflandırma tahmini yapmak ve başarımı artırmak için ensemble model kullanılarak sonuçların birleştirilmesi ile sınıflandırma başarısının artırılması hedeflenmektedir.