In this study, a denoising method based on 3-Dimensional Discrete Wavelet Transform was developed to filter Functional Magnetic Resonance (fMR) images. In addition to images obtained from databases, functional MR images which were recorded from 20 depression patient and 20 healthy subjects by using visual stimulus experimental paradigm which was developed for this thesis were used to evaluate the performance of denoising methods. Primarily standard preprocessing steps which are realignment, coregistration and normalization were applied to fMR images. Then, denoising performance of developed methods which are weighted-3D-DWT and fuzzy-weighted-3D-DWT was compared with Gaussian smoothing and 3D-DWT by using Mean Square Error (MSE), Peak Signal Noise Ratio (PSNR) and Structural Similarity Index Measurement (SSIM). Statistical analysis was performed to extract features of the denoised fMR images and brain activation map was obtained for each subject. After feature extraction, a slice-based feature selection method was proposed which uses Principle Component Analysis (PCA) to reduce the dimension. The success of the Weighted-3D-DWT method, which provides low MSE and high PSNR on fMR images on Support Vector Machines, k-Nearest Neighbour, Naive Bayes and Random Forest classifiers has been investigated. In conclusion, fMR images denoised with the Weighted-3D-DWT and of which features were reduced by slice based feature selection method provided the most successful results for classifying depression patients with 97.3% classification accuracy using the Random Forest classifier with 10-fold cross-validation.

Bu çalışmada Fonksiyonel Manyetik Rezonans (fMR) görüntülerinin filtrelenmesi için 3-Boyutlu Ayrık Dalgacık Dönüşümü (3B-ADD)' ne dayanan bir filtreleme yöntemi geliştirilmiştir. Veri tabanlarından alınan görüntülerin yanında bu tez çalışması için geliştirilen ve 20 depresyon hastası ile 20 sağlıklı denekten görsel-uyaranlı deney paradigması kullanılarak kayıt edilen fonksiyonel MR görüntüleri kullanılmıştır. Öncelikle, fMR görüntülerine standart önişleme adımları olan yeniden hizalama, bağdaştırma ve normalizasyon işlemleri uygulanmıştır. Daha sonra geliştirilen Ağırlıklı-3B-ADD ve Bulanık-Ağırlıklı-3B-ADD yöntemlerinin filtreleme performansları Gaussian yumuşatma ve 3B-ADD yöntemleri ile Ortalama Karesel Hata (OKH), Tepe Sinyal Gürültü Oranı (TSGO) ve Yapısal Benzerlik İndeksi (YBİ) kullanılarak karşılaştırılmıştır. Filtrelenen fMR görüntülerine özellik çıkarmak amacıyla istatistiksel analiz uygulanmış ve her bir denek için beyin aktivasyon haritası elde edilmiştir. Özellik çıkarma aşamasından sonra boyut azaltmak için kesit bazlı bir özellik seçme yöntemi önerilmiştir. fMR görüntüleri üzerinde düşük OKH ve yüksek TSGO sağlayan Ağırlıklı-3B-ADD yönteminin Destek Vektör Makineleri, k- En Yakın Komşu, Naive Bayes ve Rastgele Orman sınıflandırıcıları kullanılarak depresyon hastalarının sınıflandırılması üzerindeki başarısı araştırılmıştır. Sonuçta Ağırlıklı-3B-ADD ile filtrelenmiş ve kesit bazlı özellik seçme yöntemi ile veri boyutu azaltılmış fMR görüntüleri ile depresyon hastalarının sınıflanmasında Rastgele Orman sınıflandırıcısı kullanılarak 10-kat çapraz doğrulama ile % 97,3 sınıflama doğruluğu elde edilmiştir.