FMRG Hacimlerini Kullanarak DEHB’nin 3B ESA Tabanlı Otomatik Teşhisi
Loading...
Date
2023
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Open Access Color
GOLD
Green Open Access
No
OpenAIRE Downloads
OpenAIRE Views
Publicly Funded
No
BIP! Indicators
Impulse
Top 10%
Influence
Average
Popularity
Top 10%
Abstract
Dikkat eksikliği hiperaktivite bozukluğu (DEHB) en sık görülen beyin deformasyonlarından biridir ve özellikle çocukların okul başarılarını olumsuz yönde etkilemektedir. Uzmanların DEHB hastalarına uygun tedavi verebilmeleri için bu hastalığın nörobiyolojik tanısı önemlidir. Makine öğrenimi algoritmaları ile birlikte nörogörüntüleme teknolojileri özellikle fonksiyonel manyetik rezonans görüntüleme dikkat eksikliği hiperaktivite bozukluğunda biyobelirteç olarak giderek daha fazla kullanılmaktadır. Ayrıca makine öğrenme yöntemleri son zamanlarda popüler hale gelmektedir. Bu çalışma ile DEHB tanısında uzmanlara yardımcı olmak amacıyla fonksiyonel manyetik rezonans görüntüleme hacimlerini iki sınıfa ayırmak için optimize edilmiş 3 boyutlu evrişimli bir sinir ağı sunulmaktadır. Verilerin 3 boyutlu ilişkilerinin çıkarılmasının önemini göstermek için yöntem halka açık ADHD-200 veri setlerinin öğrenme ve test verileri kullanılarak test edilmiş ve sinir ağının performansı değerlendirilmiştir. Daha sonra sinir ağının performansı literatürdeki birkaç yeni DEHB algılama evrişimli sinir ağı ile karşılaştırılmıştır. Kullanılan sinir ağının umut verici bir performansa sahip olduğu gözlemlenmektedir.
Description
Keywords
Tıbbi İnformatik-Bilgisayar Bilimleri- Yazılım Mühendisliği-Nörolojik Bilimler-Bilgisayar Bilimleri- Yapay Zeka, Tıbbi İnformatik, Bilgisayar Bilimleri, Yazılım Mühendisliği, Bilgisayar Bilimleri, Yapay Zeka, Nörolojik Bilimler, Attention Deficit Hyperactivity Disorder;Functional Magnetic Resonance Imaging;3D Convolutional Neural Network;ADHD-200 Public Datasets, Engineering, Mühendislik, Dikkat Eksikliği Hiperaktivite Bozukluğu;fonksiyonel manyetik rezonans görüntüleme;3B Evrişimsel Sinir Ağı;Halka Açık ADHD-200 Veri Setleri
Fields of Science
03 medical and health sciences, 0302 clinical medicine, 0202 electrical engineering, electronic engineering, information engineering, 02 engineering and technology
Citation
[1] Polanczyk G. V. Willcutt E. G. Salum G. A. Kieling C. Rohde L. A. 2014. ADHD prevalence estimates across three decades: An updated systematic review and meta- regression analysis Int. J. Epidemiol. vol. 43 no. 2 pp. 434_442.[2] Eloyan A. Muschelli J. Nebel M. B. Liu H. Han F. Zhao T. Barber A.D. Joel S. Pekar J.J. Mostofsky S. H. Caffo B. 2012. Automated diagnoses of attention deficit hyperactive disorder using magnetic resonance imaging Frontiers Syst. Neurosci. vol. 6 p. 61.[3] Peng X. Lin P. Zhang T. Wang J. 2013. Extreme learning machine-based classification of ADHD using brain structural MRI data PLoS ONE vol. 8 no. 11 p. e79476.[4] Liu D. Yan C. Ren J. Yao L. Kiviniemi V. J. Zang Y. 2010. Using coherence to measure regional homogeneity of resting-state FMRI signal Frontiers in Systems Neuroscience 4 Article 24.[5] Yin W. Li L. Wu F. X. 2020. Deep Learning for Brain Disorder Diagnosis Based on fMRI Images ScienceDirect Neurocomputing. DOI: 10.1016/j.neucom.2020.05.113[6] Krizhevsky A. Sutskever I. Hinton G. E. 2012. Imagenet classification with deep convolutional neural networks in Advances in neural information processing systems pp. 1097-1105.[7] Korekado K. Morie T. Nomura O. Ando H. Nakano T. Matsugu M. Iwata A. 2003. A convolutional neural network VLSI for image recognition using merged/mixed analog-digital architecture in International Conference on Knowledge-Based and Intelligent Information and Engineering Systems pp. 169-176.[8] Lawrence S. Giles C. L. Tsoi A. C. Back A. D. 1997. Face recognition: A convolutional neural-network approach IEEE transactions on neural networks vol. 8 pp. 98-113.[9] Karpathy A. Toderici G. Shetty S. Leung T. Sukthankar R. Fei-Fei L. 2014. Large-scale video classification with convolutional neural networks in Proceedings of the IEEE conference on Computer Vision and Pattern Recognition pp. 1725-1732.[10] Simonyan K. Zisserman A. 2014. Two-stream convolutional networks for action recognition in videos in Advances in neural information processing systems pp. 568-576.[11] Zhu B. Liu J. Z. Rosen B. R. Rosen M. S. 2017. Image reconstruction by domain transform manifold learning arXiv preprint arXiv:1704.08841.[12] Lecun Y. Bottou L. Bengio Y. Haffner P. 1998. Gradient-based learning applied to document recognition Proceedings of the IEEE vol. 86 pp. 2278-2324 Nov.[13] Vu H. Kim H. C. Lee J. H. 2018. 3D Convolutional Neural Network for Feature Extraction and Classification of fMRI Volumes IEEE Explore 978-1- 5386-6859-7.[14] Zou L. Zheng J. Miao C. Mckeown M. J. Wang Z. J. 2017. 3D CNN based automatic diagnosis of attention deficit hyperactivity disorder using functional and structural MRI IEEE Access 5 23626–23636.[15] Riaz A. Asad M. Al-Arif S. M. R. Alonso E. Dima D. Corr P. Slabaugh G. 2017. Fcnet: A convolutional neural network for calculating functional connectivity from functional mri. In Proceedings of the International Workshop on Connectomics in Neuroimaging Quebec City QC Canada pp. 70–78.[16] Riaz A. Asad M. Al Arif S. M. R. Alonso E. Dima D. Corr P. Slabaugh G. 2018. Deep fMRI: An end-to-end deep network for classification of fMRI data In Proceedings of the 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018)Washington DC USA pp. 1419–1422.[17] Zhang T. Li C. Li P. Peng Y. Kang X. Jiang C. Li F. Zhu X. Yao D. Biswal B. Xu P. 2020. Separated Channel Attention Convolutional Neural Network (SC- CNN-Attention) to Identify ADHD in Multi-Site Rs-fMRI Dataset Entropy 22 893 2020. DOI: 10.3390/e22080893[18] The ADHD-200 Global Competition. 2011. http://fcon_1000.projects.nitrc.org/indi/adhd200/junk/ results.html (accessed on 22 September 2021).[19] Milham M. P. Fair D. Mennes M. Mostofsky S. H. 2012. The ADHD-200 consortium:a model to advance the translational potential of neuroimaging in clinical neuro- science Front. Syst. Neurosci. 6 (62) ISSN 1662-5137. DOI: 10.3389/fnsys.2012.00062[20] Centers for Disease Control and Prevention 2003. HIPAA privacy rule and public health. Guidance from CDC and the U.S. Department of Health and Human Services MMWR Morbidity Mortality Weekly Rep. vol. 52.[21] Poldrack R. A. Mumford J. A. Nichols T. E. 2011. Handbook of Functional MRI Data Analysis Cambridge University Press ISBN 978-0-521-51766-9.[22] Bellec P. Chu C. Chouinard-Decorte F. Benhajali Y. Margulies D. S. Craddock R. C. 2017. The Neuro Bureau ADHD-200 Preprocessed repistory Neuroimage 144 Part B pp. 275-286. DOI: 10.1016/j.neuroimage.2016.06.034[23] Preprocessed Connectome Projects. 2017. http://preprocessed-connectomes-project.org/adhd200/ (accessed on 22 September 2021).[24] Baratloo A. Hosseini M. Negida A. El Ashal G. 2015. Part 1: Simple Definition and Calculation of Accuracy Sensitivity and Specificity Emergency 3(2) 48-49.
WoS Q
Scopus Q
OpenCitations Citation Count
5
Source
Deu Muhendislik Fakultesi Fen ve Muhendislik
Volume
25
Issue
73
Start Page
1
End Page
8
Collections
PlumX Metrics
Captures
Mendeley Readers : 7
Google Scholar™
