Özet:
Beyin hücrelerinde zamanla gelişen ölüme bağlı olarak hafıza kaybı, bunama (demans) ve bilişsel fonksiyonların azalması şeklinde gelişen tıbbi durum Alzheimer hastalığı (AH) olarak adlandırılır. Henüz tedavisi için herhangi bir ilaç bulunmuş olmasa da Alzheimer hastalığının nedeni, gelişim şeklinin anlaşılması ve çözüm yollarının geliştirilmesine yol açabilecek başarılı sonuçlar ortaya konulabilmektedir. AH'nin varlığı ve ilerleme düzeyine dair bilgilerin, beyin görüntüleri üzerinden geliştirilecek bir derin öğrenme mimarisi yardımıyla irdelenmesi teşhisteki doğruluğu artırabilir. AH'nin, hafif bilişsel bozukluğun veya beynin Floro-deoksi-glukoz (FDG)-PET'in nihai teşhisini öngören bir derin öğrenme algoritması geliştirmek, doğrulamak ve performansını radyolojik okuyucularla karşılaştırmak amacıyla bazı çalışmalar yapılmıştır. Bu çalışmada ise derin öğrenme yardımıyla AH'nin FDG-PET görüntüleri üzerinden DenseNet121, InceptionV3, MobileNet, MobileNetV2, ResNet50, ResNet101, VGG16 ve Xception mimarileri ile transfer öğrenme tekniği uyarlanarak teşhisine çalışılmış ve beyin dokusunun hastalıktan etkilenme durumu irdelenmiştir. Çalışmanın bulguları incelendiğinde en yüksek eğitim doğruluğu, kesinliği, duyarlılığı ve F skorunu Xception (%99) ve DenseNet121 (%99) mimarileri vermiştir. Eğitimler sonucunda elde edilen test doğruluğu, kesinliği, duyarlılığı ve F1 skoruna bakıldığında Xception (%100) ve DenseNet121 (%100) mimarileri ön plana çıkmıştır. Kullanılan modeller arasında Xception, VGG16 ve ResNet101 modelleri en uzun eğitim ve testlerini vermiş, en kısa süreler ise MobileNet ve MobileNetV2 modelleri ile elde edilmiştir. Farklı veri setlerinin eğitimi sonucunda veri sayısı arttıkça model başarısının da arttığı görülmüştür. Çalışma, beyin PET görüntüleri üzerinden AH teşhisi konusunda transfer öğrenme mimarilerinin başarımını göstermiş ve eğitim sonuçlarına göre yüksek başarı gösteren mimarilerle MR görüntüleri üzerinde daha büyük veri setleri kullanılarak çalışılabileceğini düşündürmüştür.
