Erbay, Mehmet FatihÜlker, Emrah2025-01-182025-01-182024https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=LY6e5xGA7WWUpEdrBmEPLjg9RntJ2E1By2eDAcBxLbQGMrZumbpSIWnBUGV_qv-whttps://hdl.handle.net/11616/106293Tıp Fakültesi, Radyoloji Ana Bilim DalıKontrastsız Manyetik Rezonans Görüntüleme ile Yapay Zeka Modelleri Kullanılarak Multipl Skleroz Hastalarında Beyindeki Aktif Plakların Tanımlanması Amaç: Yapay zeka makine öğreniminin, beyindeki aktif MS plaklarını, MRG'deki FLAIR görüntülerde kontrast madde verilmeden tanımlayabilme başarısını değerlendirmek. Gereç ve Yöntem: Ocak 2017 ile Aralık 2023 tarihleri arasında MS tanısı ile kontrast öncesi ve sonrası beyin MRG çekimi yapılan yaşları 18 ile 65 arasında değişen 422 hastanın görüntüleri retrospektif olarak değerlendirildi. Hastalar, MRG incelemelerinde aktif plak (789 sayıda) ve inaktif plak (693 sayıda) bulunanlar olarak iki gruba ayrıldı. Görüntüler, yeniden boyutlandırılarak dizilere dönüştürüldü. Oluşturulan veri setinin rastgele olarak %80'i eğitim, %20'si ise test için kullanıldı. ResNet50, InceptionV3, Xception, MobileNet, MobileNetV2, VGG16, VGG19, DenseNet121, DenseNet169, DenseNet201 ve NASNetMobile transfer öğrenme modelleri; optimizasyon algoritmaları olan SGD, Adam, RMSprop ve Nadam; aktivasyon fonksiyonu olan relu ve swish hiperparemetreleri 88 farklı model oluşturularak iteratif bir şekilde kullanıldı. Bulgular: MobileNet ile Adam optimizasyon algoritması ve relu aktivasyon fonksiyonu kullanılarak oluşturulmuş yapay zekâ modeli aktif ve inaktif plak sınıflamasında %74,4 doğruluk oranı ile en başarılı sonucu verdi. Sonuç: Yapay zekâ makine öğrenimi, bir konvansiyonel MRG sekansı olan kontrastsız FLAIR sekansı ile kontrastlandığı bilinen aktif plakları orta-yüksek doğruluk oranında tahmin edebilmiştir. Bu sonuç; klinik uygulamalarda kullanım açısından yeterli olmamakla birlikte kontrast madde kullanımından kaçınan bir tanı protokolü için ümit vericidir. Anahtar Kelimeler: Yapay zekâ, makine öğrenmesi, multipl skleroz.Identification of Active Lesions in the Brains of Multiple Sclerosis Patients on Non-contrast Magnetic Resonance Imaging Using Artificial Intelligence Models Purpose: To evaluate the success of artificial intelligence machine learning in identifying active MS plaques in brain on pre-contrast FLAIR MRI sequence. Material and Methods: Images of 422 patients diagnosed with MS who underwent pre- and post-contrast brain MRI between January 2017 and December 2023 were retrospectively evaluated. Patients were divided into two groups based on the presence of active plaques (789 in number) and inactive plaques (693 in number) on MRI examinations. The images were resized and converted into arrays. Randomly, 80% of the created dataset was used for training and 20% for testing. Transfer learning models including ResNet50, InceptionV3, Xception, MobileNet, MobileNetV2, VGG16, VGG19, DenseNet121, DenseNet169, DenseNet201, and NASNetMobile were used iteratively with optimization algorithms such as SGD, Adam, RMSprop, and Nadam, along with activation functions relu and swish, resulting in 88 different models. Results: The artificial intelligence model created using MobileNet with the Adam optimization algorithm and relu activation function yielded the most successful result with a 74.4% accuracy rate in classifying active and inactive plaques. Conclusion: Artificial intelligence machine learning was able to predict active plaques with moderate to high accuracy using a conventional MRI sequence, the contrast-free FLAIR sequence. Although this result may not be sufficient for clinical applications, it is promising for a diagnosis protocol avoiding the use of contrast agents. Keywords: Artificial intelligence, machine learning, multiple sclerosis.trinfo:eu-repo/semantics/openAccessRadyoloji ve Nükleer TıpRadiology and Nuclear MedicineSpecialist Thesis164908138