Hibrit yapay sinir ağları yöntemleri ile nörögörüntüleme verilerine dayalı otizm tanılama

Abstract

Yapay zekâ, bilgisayar görüsü, dijital görüntü işleme ve medikal görüntüleme teknolojilerini bir araya getiren disiplinler arası çalışma alanına bilgisayar destekli tanı (BDT) denir. BDT, sinirbilim ve beyin görüntüleme alanlarında ön plana çıkan, tıbbı nörogörüntülerin yorumlanmasında sağlık profesyonellerine yardımcı olan uzman sistemlerdir. Bu tezin genel amacı, makine öğrenmesi yaklaşımlarını kullanarak nörogörüntü verilerine dayalı bilişsel ve davranışsal fenotiplere bağlı otizm spektrum bozukluğu (OSB) teşhisinin doğruluğunu çoklu nörogörüntüleme yöntemleri aracılığı ile artırmaktır. Yapısal ve fonksiyonel manyetik rezonans görüntüleme verileri kullanılarak beyin bağlantısallık modellemesi yapılmıştır. Bu amaç doğrultusunda veri önişleme, veri gürültü arındırma ve veri füzyonu (erken-geç-çapraz) işlemleri farklı veri türleri üzerinde uygulanmıştır. Ayrıca, bu tezde, makine öğrenmesi algoritmalarından evrişimli sinir ağı (ESA) ve yinelemeli sinir ağı (YSA) yöntemi hibrit olarak uygulanmıştır. Elde edilen %96 düzeyindeki doğruluk oranına sahip sonuçlar göstermiştir ki, hibrit makine öğrenmesi modeli ve çoklu füzyon yöntemi ile veri sınıflandırma işlemi, seçilen otizm spektrum bozukluğu (OSB) veri setine ait tanı öngörmede bugüne kadar sağlanan doğruluk oranlarının üzerine çıkılmasını sağlamıştır.

This study aims to increase the accuracy of autism spectrum disorder (ASD) diagnosis based on cognitive and behavioral phenotypes through multiple neuroimaging modalities. We apply machine learning (ML) algorithms to classify ASD patients and healthy control (HC) participants using structural magnetic resonance imaging (s-MRI) together with resting state functional MRI (rs-f-MRI, f-MRI) data from the large multisite data repository ABIDE (autism brain imaging data exchange) and identify important brain connectivity features. The 2D f-MRI images were converted into 3D s-MRI images and datasets were preprocessed using the Montreal Neurological Institute (MNI) atlas. The data were then denoised to remove any confounding factors. We show, by using three fusion strategies: early fusion, late fusion and cross fusion, that, in this implementation, hybrid convolutional recurrent neural networks achieve better performance in comparison to either convolutional neural networks (CNNs) or recurrent neural networks (RNNs). The proposed model classifies subjects as autistic or not according to how functional and anatomical connectivity metrics provide an overall diagnosis based on the autism diagnostic observation schedule (ADOS) standard. Our hybrid network achieved an accuracy of 96% by fusing s-MRI and f-MRI together, which outperforms the methods used in previous studies.