Computer aided diagnosis of cognitive disorders using neuropsychological and neuroimaging data

Abstract

Bilgisayar destekli tanı (BDT), sinirbilimi ve beyin görüntüleme alanlarında ön plana çıkan, tıbbi görüntülerin yorumlanmasında doktorlara yardımcı olan uzman sistemlerdir. Ayrıca, yapay zeka, bilgisayar görüsü, dijital görüntü işleme ve medikal görüntüleme teknolojilerini bir araya getiren bir disiplinler arası çalışma alanıdır. Bu tezin genel amacı, derin öğrenme yaklaşımlarını kullanarak tıbbi görüntüleme verilerine dayalı bilişsel bozukluklar için bilgisayar destekli tanı sistemleri geliştirmektir. Bu amaç doğrultusunda, üç bilgisayar destekli tanı sistemi geliştirdik. Birinci çalışmada, nöropsikolojik değerlendirme verilerine dayanılarak, normal yaşlanmayla ilişkili olmayan bilişsel yeteneklerdeki anormal düşüşü erken aşamada ayırt etmek amaçlanmıştır. İkinci ve üçüncü bilgisayar destekli tanı sistemlerinin amacı, hafif bilişsel bozukluk hastalarında Alzheimer hastalığının gelişme riskini öngörmektir. İkinci bilgisayar destekli tanı sistemi kesitsel nörogörüntüleme verilerine dayanırken; üçüncü sistem, boylamsal nörogörüntüleme verilerinden faydalanmıştır. Ayrıca, bu tezde, konvolüsyonel sinir ağı modelleri için yenilikçi bir havuzlama yöntemi ve boylamsal veriler için yenilikçi bir görüntü ön işleme yöntemi önerdik. Çok yüksek doğruluğa sahip sonuçlar göstermiştir ki, derin öğrenme teknolojileri, hafif bilişsel bozukluğun prognozunu öngörmede başarılıdır. Ayrıca bu çalışma, bilgisayar destekli tanı sistemleri ile prognozu öngörülen hastalığa uygun ilaç tedavilerinin başlanması ile daha iyi bir tedaviye katkıda bulunulabileceğini göstermiştir.

Computer-aided diagnosis (CAD) is an emerging area of neuroscience and neuroimaging that assists physicians in the interpretation of medical images. CAD is an interdisciplinary technology that combines artificial intelligence, computer vision, digital image processing and medical imaging. The overall goal of this thesis is to develop computer-aided diagnosis systems for patients with cognitive disorders based on neuropsychological and neuroimaging data using deep learning approaches. In this thesis, we developed three CAD systems. The first system aimed to distinguish diseases causing an abnormal decline in cognitive abilities that is not related to normal aging in an early stage, based on neuropsychological assessment data. The aim of the second CAD system was to predict the risk of developing Alzheimer's disease for mild cognitive impairment patients based on cross-sectional neuroimaging data. Finally, the third CAD system shared the same goal with the second CAD system, with a difference that it utilized longitudinal neuroimaging data. Furthermore, from a methodological perspective, we designed and implemented a novel pooling method for convolutional neural network models that is employed in the second and third CAD systems. Additionally, we designed and implemented a novel image preprocessing method for the longitudinal data of the third CAD system. The very high accuracy results achieved in this thesis has shown that deep learning technologies can be beneficial for diagnosis and predicting prognosis in cognitive disorders. Furthermore, CAD systems may contribute to better treatment of patients with cognitive disorders by altering their medication according to predicted prognosis.