Akademik Veri Yönetim Sistemi
NMR IN BIOMEDICINE, cilt.39, sa.7, ss.70322, 2026 (SCI-Expanded, Scopus)
Alzheimer hastalığının (AH) tanısı, bilişsel değerlendirmelerin yanı sıra giderek daha fazla gelişmiş nörogörüntüleme yöntemlerine dayanmaktadır. Bu çalışma, manyetik rezonans görüntüleme (MRG) verilerini kullanarak bireyleri bilişsel olarak normal (CN), hafif bilişsel bozukluk (MCI) veya AH olarak sınıflandırmak amacıyla, hacimsel özellik analizi ile hesaplamalı modelleme tekniklerini bir araya getirmekte ve uzamsal-zamansal analiz üzerine odaklanmaktadır. İlk aşamada, kortikal kalınlık, beyaz madde, gri madde, beyin omurilik sıvısı ve toplam intrakraniyal hacmi kapsayan hacimsel değişimler, Alzheimer’s Disease Neuroimaging Initiative (ADNI) veri setinden, Statistical Parametric Mapping (SPM) ortamındaki CAT12 araç kutusu kullanılarak elde edilmiştir. Bu değişkenlerin zaman içindeki değişimlerini temsil eden eğimleri hesaplamak amacıyla doğrusal regresyon uygulanmış ve elde edilen bu eğimler, daha sonra makine öğrenmesi sınıflandırıcıları için girdi olarak kullanılmıştır. Kortikal kalınlık eğimleri, AH ile CN bireylerin ayırt edilmesinde en yüksek sınıflandırma başarımını göstermiş ve rastgele orman modeli ile %82,5 doğruluk oranına ulaşmıştır. İkinci aşamada ise, yalnızca MRG taramalarına dayanan ve ilk aşamanın çıktılarından bağımsız bir derin öğrenme yaklaşımı kullanılmıştır. Önceden eğitilmiş bir 3B ResNet-101 evrişimli sinir ağı (CNN) modeli, MRG hacimlerinden uzamsal özellikleri çıkarırken; uzun kısa süreli bellek (LSTM) ağları, ardışık yıllık taramalardaki zamansal dinamikleri modellemiştir. Bu hibrit CNN–LSTM tasarımı, sınıflandırma performansını belirgin biçimde artırmış; AH ile CN ayrımında %96,7 doğruluk oranına ulaşmış ve MCI olgularının ayırt edilmesini de iyileştirmiştir. Bununla birlikte, MCI sınıflandırmasındaki tutarsızlıklar temel olarak yıllık MRG verilerine erişimin sınırlı olması ve modelin CN ile AH kohortları üzerinde önceden eğitilmiş olmasına bağlanmıştır. Bu bulgular, otomatik AH sınıflandırması için hacimsel istatistiksel analizin derin öğrenme ile bütünleştirilmesinin potansiyelini ortaya koymaktadır. Bu çalışma, hem uzamsal hem de zamansal MRG verilerinden yararlanarak nörogörüntüleme temelli tanı yöntemlerini geliştirmekte; erken tanıya ve hastalık gelişiminin daha iyi değerlendirilmesine katkı sağlamaktadır.
The diagnosis of Alzheimer's disease (AD) has progressively depended on sophisticated neuroimaging methods alongside cognitive assessments. This study combines volumetric feature analysis with computational modeling techniques, focusing on spatial and temporal analysis, to categorize individuals as cognitively normal (CN), mild cognitive impairment (MCI), or AD using magnetic resonance imaging (MRI) data. In the initial phase, volumetric changes, comprising cortical thickness, white matter, grey matter, cerebrospinal fluid, and total intracranial volume, were derived from the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset utilizing the CAT12 toolbox in statistical parametric mapping (SPM). Linear regression was utilized on these variables over time to create slopes that reflect volumetric change rates, which then served as inputs for machine learning classifiers. The slopes of cortical thickness exhibited the greatest classification accuracy, reaching 82.5% with a random forest model for differentiating AD from CN individuals. During the second phase, a deep learning methodology was utilized, relying solely on the MRI scans and excluding the outcomes from the first phase. A pre-trained 3D ResNet-101 convolutional neural network (CNN) model extracted spatial characteristics from MRI volumes, whereas long short-term memory (LSTM) networks recorded temporal dynamics across subsequent annual scans. This hybrid CNN–LSTM design markedly improved classification performance, attaining 96.7% accuracy for AD against CN and enhancing the distinction of MCI cases. Nonetheless, discrepancies in MCI categorization were chiefly ascribed to the restricted access to annual MRI data and the model's pre-training on CN and AD cohorts. These findings highlight the potential of integrating volumetric statistical analysis with deep learning for automated AD categorization. This work enhances neuroimaging diagnostic methods by utilizing both spatial and temporal MRI data, enabling early diagnosis and better evaluation of disease development.