Tez No	İndirme	Tez Künye	Durumu
475087		Representation of human brain by mesh networks / İnsan beyninin örgü ağları ile gösterimi Yazar:ITIR ÖNAL ERTUĞRUL Danışman: PROF. DR. FATOŞ TUNAY YARMAN VURAL Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Biyomedikal işaretler = Biomedical signals ; Sayısal işaret işleme = Digital signal processing ; Çoklu sinyal sınıflandırma = Multiple signal classificaton ; Örüntü sınıflama = Pattern classification	Onaylandı Doktora İngilizce 2017 189 s.
Bu tezde, bilişsel durum ve cinsiyet sınıflandırmada kullanılmak üzere fonksiyonel Manyetik Rezonans Görüntüleme (fMRG) verisindeki ayrımsayıcı bilgiyi çıkarmak için yeni gösterimler önermekteyiz. İlk olarak, zaman serilerindeki tüm ölçümleri içeren zamansal bilgiyi göz önünde bulundurarak fMRG zaman serileri kümesindeki yerel ilişkileri bir komşulukta modellemekteyiz. Örgü Yay Betimleyicileri (ÖYB) adı verilen yerel ilişkiler, fMRG verisindeki bilginin gösterimi için kestirilmiştir. İkinci olarak, bilgisayarla görme alanında yaygın olarak kullanılan Fisher Vektörü (FV), Yerel Kümelenmiş Betimleyiciler Vektörü ve Kelime Çantası kodlama yöntemlerini yerel ÖYB'leri kodlamak için uyarlamaktayız. ÖYB'lerin kullanımının güncel fMRI gösterimlerinden daha iyi performans verdiğini ve bunların daha sonra FV ile kodlanmalarının ÖYB'ye göre daha üstün performans verdiğini göstermekteyiz. Ardından, fMRG sinyalinin çoklu alt bantlara ayrıldığı ve her bir altband için ayrı ağlar oluşturulduğu Hiyerarşik Çok-çözünürlüklü Örgü Ağları (HÇÖA) adı verilen bir yapı önermekteyiz. Yapının son aşamasında, çok çözünürlüklü örgü ağları ile eğitilmiş sınıflandırıcıların kararlarını birleştirmekteyiz. Hiyerarşik Çok-çözünürlüklü Örgü Ağlarının orjinal fMRG verisi için kurulan örgü ağlarından daha iyi performans verdiğini göstermekteyiz. Son olarak, fMRG verisi kullanılarak cinsiyet sınıflandırma için çok-çözünürlü yaklaşımı uyarlamaktayız. Çok çözünürlüklü ve çok görev altında kurulan örgü ağları ile eğitilen sınıflandırıcıları, cinsiyet sınıflandırma için 2 katmanlı hiyerarşik bir mimari ile birleştirmekteyiz. Önerilen cinsiyet sınıflanrdırma yapısı, yalnızca çok görev altında kurulan ya da yalnızca çok çözünürlüklü örgü ağlarını tek katmanda birleştiren mimarilere göre daha başarılıdır.
In this thesis, we propose novel representations to extract discriminative information in functional Magnetic Resonance Imaging (fMRI) data for cognitive state and gender classification. First, we model the local relationship among a set of fMRI time series within a neighborhood by considering temporal information obtained from all measurements in time series. The estimated local relationships, called Mesh Arc Descriptors (MADs), are employed to represent information in fMRI data. Second, we adapt encoding methods frequently used in Computer Vision, namely Fisher Vectors (FV), Vector of Locally Aggregated Descriptors (VLAD) and Bag-of-Words (BoW) to encode local MADs. We show that employing MADs outperform state-of-the-art fMRI representations and encoding them further with FV gives superior performance over MADs. Then, we propose a hierarchical framework, called Hierarchical Multi-resoution Mesh Networks (HMMNs), in which the fMRI signal is decomposed into multiple subbands and mesh networks are constructed for each subband separately. We fuse the decisions of classifiers trained with multi-resolution mesh-networks in the final step of the framework. We show that Hierarchical Multi-resolution Mesh Networks outperform mesh-networks constructed from original fMRI signal. Finally, we adapt multi-resolution approach for gender classification using fMRI data. We fuse the decisions of classifiers trained with multi-resolution multi-task mesh networks in a 2-level hierarchical architecture to discriminate gender. The proposed gender classification framework performs better compared to single layer architectures fusing only multi-task or only multi-resolution mesh networks.