Makine öğrenmesi ile Alzheimer Hastalığının ilerlemesinde hafif bilişsel bozukluğun tahmin edilmesine yönelik MRG tabanlı morfometrik analiz

Nörodejeneratif hastalıklar, sinir sisteminin karmaşık yapılarındaki değişiklikler sonucu bilişsel işlevlerden günlük aktivitelere kadar birçok alanda neden oldukları ciddi kayıplar nedeniyle günümüzde giderek artan bir endişe kaynağı haline gelmiştir. Bu hastalıkların en yaygın ve bilineni olan Alzheimer Hastalığı (AH), yaşlanmayla birlikte artan yaygınlığı ve tedavisinin olmaması nedeniyle ciddi bir halk sağlığı sorunu oluşturmaktadır. Bu bağlamda, erken teşhisin önemi giderek daha fazla vurgulanmaktadır. Bu çalışmanın amacı, Alzheimer Hastalığının teşhisinde kullanılan makine öğrenme tekniklerinin literatürdeki durumunu ve etkinliğini incelemek, özellikle T1 ve T2 ağırlıklı manyetik rezonans görüntüleme (MRG) yöntemlerinin kullanımını araştırmaktır. Günümüzde makine öğrenmesi tekniklerinin sağladığı olanaklarla, hastalığın erken teşhisinde ve sınıflandırılmasında önemli adımlar atılmıştır. Ancak, bu alanda yapılacak daha fazla çalışma ve analizler, daha doğru ve güvenilir teşhis yöntemlerinin geliştirilmesine ve bu tekniklerin erişilebilirliğine ve genellenebilirliğine olanak tanıyacaktır. Bu tez çalışması, farklı makine öğrenme tekniklerinin (Destek Vektör Makinesi, Karar Ağacı, Rastgele Orman, Yapay Sinir Ağları, K-En Yakın Komşu ve Naive Bayes) Alzheimer Hastalığının teşhisi için etkinliğini değerlendirmeyi amaçlamaktadır. Ayrıca, T1 ve T2 ağırlıklı MR görüntülerinin kullanımının bu teknikler üzerindeki etkisi incelenerek, hangi görüntüleme yönteminin daha iyi performans gösterdiği ve hangi makine öğrenme tekniğinin en etkili olduğu belirlenmeye çalışılmıştır.

Neurodegenerative diseases have increasingly become a source of concern today due to the severe losses they cause in many areas, from cognitive functions to daily activities, resulting from changes in the complex structures of the nervous system. Alzheimer's Disease (AD), the most common and well-known of these diseases, poses a serious public health problem due to its increasing prevalence with aging and the lack of a cure. In this context, the importance of early diagnosis is increasingly emphasized. The aim of this study is to examine the status and effectiveness of machine learning techniques used in the diagnosis of Alzheimer's Disease (AD) in the literature and to investigate the use of T1 and T2-weighted magnetic resonance imaging (MRI) methods. With the possibilities provided by machine learning techniques today, significant steps have been taken in the early diagnosis and classification of the disease. However, further studies and analyses in this field will enable the development of more accurate and reliable diagnostic methods. This thesis aims to evaluate the effectiveness of different machine learning techniques (Support Vector Machine (SVM), Decision Tree, Random Forest, Artificial Neural Networks (ANN), k-Nearest Neighbors (KNN), and Naive Bayes) for the diagnosis of Alzheimer's Disease. Additionally, the impact of using T1 and T2-weighted MRI images on these techniques has been examined to determine which imaging method performs better and which machine learning technique is the most effective.