Tez No	İndirme	Tez Künye	Durumu
794353		MR görüntülerinde veri analizi ve eksik verinin tamamlanması: Demans hastalıkları uygulaması / Data analysis in MR images and imputing missing data: An application for dementia diseases Yazar:SAVAŞ OKYAY Danışman: DOÇ. DR. NİHAT ADAR Yer Bilgisi: Eskişehir Teknik Üniversitesi / Lisansüstü Eğitim Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Yazılımı Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Mühendislik Bilimleri = Engineering Sciences Dizin:Eksik veri = Missing data ; Güvenilirlik analizi = Reliability analysis ; Öge seçimi = Feature selection ; Öznitelik = Feature extraction ; Öznitelik çıkarma = Feature ; İşbirlikçi filtreleme = Collaborative filtering	Onaylandı Doktora Türkçe 2023 111 s.
Bu doktora tezi kapsamında; bilgisayar biliminde önemli bir problem olan eksik verinin işlenmesi, öznitelik analizi, kıymetli veya etkisiz özniteliklerin değerlendirilmesi ve eksik verinin tamamlanması gibi stratejik veri bilimi yaklaşımları demans hastalıkları uygulaması üzerinden ele alınmaktadır. Nörogörüntülemede bozuk tıbbi görüntüler veya eksik diğer bilgiler, hastalık teşhis sürecinde hatalı kararlara neden olabilmektedir. Dolayısıyla, özniteliklerin analizi, özellikle klinik test skorları olmak üzere eksik verinin veri bilimine getirdiği zorluklar ve dolaylı olarak bulguların güvenilirliğini sorgulayan ölçek çalışmaları karar destek aşamasında önemli hale gelmektedir. Bu doktora tezinde, öncelikle klinik testler sırasında değerlendirilen dilimli beyin taramaları yardımcı yazılım araçları ile işlenmiş ve sanal modeller oluşturulmuştur. Öznitelikler, önerilen "paralel üç boyutlu beyin modelleme ve öznitelik çıkarma algoritması" ile taramalardan 95,57 kat hızlandırılmış bir şekilde çıkarılmıştır. Çıkarılan özniteliklerin manipüle edilmesi işlemleri önerilen "FreeSurfer: veri ön işleme ve manipülasyon yazılım aracı" aracılığıyla kolaylaştırılmıştır. Detaylı ön işlemden geçen ve 4-sınıf sınıflandırmada %76,5'e kadar başarım sağlayan etkili öznitelikler analiz edilmiştir. Veri üzerindeki önemli eksik değerler, önerilen "demans ile ilgili kullanıcı tabanlı işbirlikçi filtreleme yöntemi" ile farklı hata metrikleri üzerinden düşük hata oranları ile tamamlanmıştır ve klinik testler sırasında tıbbi doktorların karar destek amaçlarıyla kullanabileceği %95 güven düzeyinde "güvenilirlik ölçeği" tanımlanmıştır.
Within the scope of this doctoral thesis, strategic data science approaches such as processing incomplete data, feature analysis, evaluation of valuable or ineffective features, and imputation of missing data, which are essential problems in computer science, are discussed through the application of dementia diseases. Distorted medical images or other missing information in the neuroimaging field can lead to erroneous decisions in the disease diagnosis process. Therefore, analyzing and preprocessing the features, the difficulties brought to data science by missing data, especially clinical test scores, and scale studies that indirectly question the reliability of the findings become important in the decision support phase. In this doctoral thesis, sliced brain scans evaluated during clinical tests were first processed with auxiliary software tools and virtual models were generated. The features were extracted from the scans via the proposed "parallel three-dimensional brain modeling and feature extraction algorithm" at a 95.57 speedup factor. Manipulation of extracted features was facilitated through the proposed "FreeSurfer: data preprocessing and manipulation software tool." Effective features that detailly preprocessed and achieved up to 76.5% performance in 4-class classification were analyzed. The critical missing values on the data were completed with low error rates over different error metrics with the proposed "dementia-related user-based collaborative filtering" method, and a "reliability scale" that medical doctors can use for decision support during clinical tests was defined at a 95% confidence level.