Derin öğrenme ile Parkinson hastalığının sınıflandırılması
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2019
Tezin Dili: Türkçe
Öğrenci: PEDRAM KHATAMINO
Danışman: Lale Özyılmaz
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Parkinson hastalığı modern dünya yaşam tarzı sebebiyle geniş kitlelere yayılmıştır. Bu hastalık ileri yaşlardaki kişilerde daha sık görülmektedir ve kişinin konuşma becerisinin kısıtlanmasına, el hareketlerinde titremeye ve genel olarak hareket ve kas problemlerine sebep olmaktadır. Parkinson hastalığı hasta kişilerin yaşam standartlarını düşürür ve doğal olarak onların ailelerinin de yaşam tarzını etkiler. Dünya genelinde 10 milyonu aşkın Parkinson hastası bulunnmaktadır. Bu kişilerin çoğu fiziksel olarak iyi bir seviyede olmadıkları için noninvazif hastalık teşhisi yöntemleri onlar için daha uygundur. Parkinson alanındaki kliniklerde en yaygın noninvazif yöntemlerinden biri ise el yazısı testidir. Bu noninvazif yöntemlerle toplanan veri setlerinin genelde makine öğrenmesi ile analiz edilmesi uygun olmaktadır. Bu sebeple Parkinson hastalığı teşhisi literatüründe farklı tekniklerle yapılmış bir çok çalışma bulunmaktadır. Makine öğrenme tekniklerinin ve parametre optimizasyonun belirli bir kuralı olmadığından çoğu zaman deneme yanılma yöntemi ile cevaba ulaşılmaktadır. Bu yüzden farklı yaklaşımlar içeren deneyler, literatürü zenginleştirip geliştirmektedir. Bu tezde iki farklı veri seti üzerinde çalışmalar yapılmıştır ve genel olarak evrişimsel sinir ağlarının (CNN-Convolutional Neural Network) sınıflandırma işleminde genelleştirme başarısı incelenmiştir. Veri setleri iki farklı ülkede ve farklı şartlarda toplanıldığından, aynı modelin bu iki farklı durumda nasıl performans göstereceği, genelleme becerisi için mantıklı bir parametre olacaktır. Ayrıca bu araştırmada evrişimsel sinir ağları, destek vektör makinesi (SVM- Support Vector Machine) ve Naive Bayes gibi algoritmalarla karşılaştırılmıştır. Klasikleşmiş makine öğrenmesi algoritmalarının sadeliği ve işlevselliği ile CNN'nin öğrenme kabiliyetini bahsedilen veri setlerinde karşılaştırmak ve araştırmak bu çalışmanın temel amaçlarındandır. Cerrahpaşa tıp fakültesinde toplanan veri setinden öznitelik görüntüleri çıkartma işlemi geliştirilip farklı sınıflandırıcılarla deneyler yapılmıştır. Yapılan araştırma sonucunda yenilikçi DST'nin (Dinamik Spiral Testi) Parkinson hastalığı teşhisinde önemli rol oynayabileceği görülmüştür. Bu veri setinde verilerin %75'i eğitim ve %25'i test verisi olarak alındığında CNN ağında %88'lik başarı yüzdesi elde edilmiştr. São Paulo üniversitesi veri setinde ise bu veri setini toplayan ve geliştiren ekibin yayınındaki sonuçlar referans alınarak, bu sonuçları geliştirme yolları araştırılmıştır. SVM ve NB sonuçları birebir karşılaştırıldığında referans çalışmanın sonuçlarından daha başarılı sonuçlar elde edildiği görülmüştür. Ayrıca CNN tabanlı sınıflandırıcı ile spiral ve labirent görüntülerde ortalama %80 başarı sağlanmıştır. Sonuç olarak bu çalışma, derin öğrenme ile Parkinson hastalığı teşhisinde efektif sonuçlar elde edileceğini desteklemektedir.