Alzheimer teşhisinde veri dengeleme yöntemlerinin performans analizi ve değerlendirilmesi

Abstract

Alzheimer hastalığının erken teşhisi, tedavi sürecinin etkinliği açısından büyük önem taşımaktadır. Ancak tıbbi görüntüleme verilerinde sınıf dengesizliği, makine öğrenmesi ve derin öğrenme tabanlı sınıflandırma modellerinin başarısını olumsuz etkileyebilmektedir. Bu tez çalışması, Alzheimer hastalığına ilişkin Manyetik Rezonans Görüntüleme (MRI) verileri üzerinde veri dengesizliği problemini çözmek amacıyla üç farklı sentetik veri üretim yöntemi olan SMOTE, ADASYN ve Conditional GAN (CGAN) yaklaşımlarını karşılaştırmalı olarak incelemektedir. Çalışmada, Kaggle platformundan elde edilen ve dört sınıfa (Non-Demented, Very Mild Demented, Mild Demented, Moderate Demented) ayrılmış Alzheimer MRI veri seti kullanılmıştır. Veriler ön işlem aşamalarından geçirildikten sonra, her bir dengeleme yöntemi için aynı mimariye sahip 2D CNN tabanlı bir sınıflandırma modeli eğitilmiş ve bu modellerin performansı doğruluk, hassasiyet, duyarlılık ve F1-skoru gibi metrikler ile değerlendirilmiştir. Sonuçlar, kullanılan dengeleme tekniklerinin hem sayısal hem de görsel analizler açısından sınıflandırma performansı üzerinde önemli etkileri olduğunu ortaya koymuştur. Bu tez çalışmasının, dengesiz veri probleminin çözümüne yönelik katkı sağlaması ve tıbbi görüntüleme alanındaki derin öğrenme tabanlı sınıflandırma çalışmalarına rehberlik etmesi amaçlanmaktadır.

Early diagnosis of Alzheimer's disease is of critical importance for ensuring the effectiveness of the treatment process. However, class imbalance in medical imaging data can negatively affect the performance of machine learning and deep learning–based classification models. This thesis investigates the class imbalance problem in Alzheimer's disease by comparatively analyzing three different synthetic data generation techniques SMOTE, ADASYN, and Conditional GAN (CGAN) applied to Magnetic Resonance Imaging (MRI) data. The study utilizes an Alzheimer's MRI dataset obtained from the Kaggle platform, consisting of four classes: Non-Demented, Very Mild Demented, Mild Demented, and Moderate Demented. After preprocessing, a 2D CNN-based classification model with an identical architecture was trained separately for each balancing method, and model performance was evaluated using metrics such as accuracy, precision, recall, and F1-score. The results demonstrated that the applied balancing techniques had significant effects on classification performance from both numerical and visual perspectives. This thesis aims to contribute to addressing the class imbalance problem and to serve as a guide for deep learning–based classification studies in the field of medical imaging.