{"id":50936296,"url":"https://github.com/senaayy/adhd-network-efficiency","last_synced_at":"2026-06-17T09:30:52.215Z","repository":{"id":337644902,"uuid":"1154567594","full_name":"senaayy/adhd-network-efficiency","owner":"senaayy","description":"🧠 End-to-end fMRI analysis pipeline comparing ADHD brain topology vs. Healthy Controls using Graph Theory (Global Efficiency \u0026 Clustering). Built with Nilearn, NetworkX, and Docker for reproducible neuroscience.","archived":false,"fork":false,"pushed_at":"2026-02-10T15:10:28.000Z","size":338,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":0,"default_branch":"main","last_synced_at":"2026-02-10T18:59:10.602Z","etag":null,"topics":["adhd","bioinformatics","brain-networks","computational-neuroscience","data-science","docker","fmri","graph-theory","network-analysis","networkx","neuroscience","nilearn","python","scikit-learn"],"latest_commit_sha":null,"homepage":"","language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/senaayy.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null,"notice":null,"maintainers":null,"copyright":null,"agents":null,"dco":null,"cla":null}},"created_at":"2026-02-10T14:35:52.000Z","updated_at":"2026-02-10T15:10:42.000Z","dependencies_parsed_at":null,"dependency_job_id":null,"html_url":"https://github.com/senaayy/adhd-network-efficiency","commit_stats":null,"previous_names":["senaayy/adhd-network-efficiency"],"tags_count":null,"template":false,"template_full_name":null,"purl":"pkg:github/senaayy/adhd-network-efficiency","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/senaayy%2Fadhd-network-efficiency","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/senaayy%2Fadhd-network-efficiency/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/senaayy%2Fadhd-network-efficiency/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/senaayy%2Fadhd-network-efficiency/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/senaayy","download_url":"https://codeload.github.com/senaayy/adhd-network-efficiency/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/senaayy%2Fadhd-network-efficiency/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":34443229,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-05-26T15:22:16.424Z","status":"online","status_checked_at":"2026-06-17T02:00:05.408Z","response_time":127,"last_error":null,"robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":true,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["adhd","bioinformatics","brain-networks","computational-neuroscience","data-science","docker","fmri","graph-theory","network-analysis","networkx","neuroscience","nilearn","python","scikit-learn"],"created_at":"2026-06-17T09:30:48.434Z","updated_at":"2026-06-17T09:30:52.205Z","avatar_url":"https://github.com/senaayy.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# 🧠 ADHD Brain Network Analysis: fMRI Graph Theory Pipeline\n\n![Python](https://img.shields.io/badge/Python-3.9%2B-blue)\n![Docker](https://img.shields.io/badge/Docker-Containerized-2496ED)\n![Status](https://img.shields.io/badge/Status-Completed-success)\n![Science](https://img.shields.io/badge/Neuroscience-Graph%20Theory-purple)\n\nBu proje, **ADHD-200** veri setini kullanarak, Dikkat Eksikliği ve Hiperaktivite Bozukluğu (ADHD) olan bireyler ile sağlıklı kontrollerin beyin ağ topolojilerini karşılaştıran uçtan uca bir **Nörogörüntüleme Analiz Hattı (Pipeline)** sunar.\n\nProje, fMRI verilerini işleyerek beynin **Global Verimliliğini (Global Efficiency)** ve **Yerel Kümelenmesini (Clustering Coefficient)** analiz eder.\n\n---\n\n## 🔬 Proje Özeti \u0026 Amaç\n\nADHD'nin nörobiyolojik temellerini anlamak için beynin fonksiyonel bağlantılarını (Functional Connectivity) inceledik.\n* **Hipotez 1 (Otobanlar):** ADHD'li bireylerde beynin uzun mesafeli iletişimi (Global Efficiency) bozuk mudur?\n* **Hipotez 2 (Mahalleler):** ADHD'li bireylerde yerel ağ bağlantıları (Clustering Coefficient) farklı mıdır?\n\n### ⚙️ Kullanılan Metodoloji\n1.  **Veri Seti:** Peking Üniversitesi (ADHD-200) veri seti (Nilearn ile otomatik indirme).\n2.  **Atlas:** AAL (Automated Anatomical Labeling) Atlası ile 116 beyin bölgesi (ROI) çıkarımı.\n3.  **Preprocessing:** Sinyal maskeleme, detrending ve z-score standardizasyonu.\n4.  **Network Modelleme:** Bölgesel zaman serileri arasındaki korelasyon matrislerinin çıkarılması.\n5.  **Graph Theory:** `NetworkX` kütüphanesi ile beynin matematiksel grafiğe dökülmesi.\n6.  **İstatistik:** Bağımsız örneklem T-Testi (Independent T-Test).\n\n---\n\n## 📊 Sonuçlar ve Görseller\n\n30 denek üzerinde (ADHD vs Kontrol) gerçekleştirilen analiz sonuçları aşağıdadır.\n\n### 1. Global Efficiency (Uzun Mesafe İletişim)\nBeynin genel entegrasyon kapasitesini ölçer.\n* **Sonuç:** İstatistiksel olarak anlamlı bir fark bulunamamıştır (`p \u003e 0.05`).\n* **Yorum:** ADHD'li bireylerde beynin genel iletişim otobanları (Global Efficiency) korunmuştur.\n\n![Global Efficiency Graph](results/global_efficiency_plot.png)\n\n### 2. Clustering Coefficient (Yerel Ağ Bağlantısı)\nBeynin yerel bölgelerinin (komşuların) birbirine bağlanma derecesini ölçer.\n* **Sonuç:** Gruplar arasında belirgin bir fark gözlemlenmemiştir (`p \u003e 0.05`).\n* **Yorum:** Beynin \"Small-World\" (Küçük Dünya) mimarisi ve yerel işleme kapasitesi her iki grupta da benzerdir.\n\n![Clustering Coefficient Graph](results/clustering_plot.png)\n\n---\n## 🔍 Tartışma ve Kritik Değerlendirme (Neden Fark Bulunamadı?)\n\nBu çalışmada elde edilen `p \u003e 0.05` sonucu, \"başarısızlık\" değil, bilimsel bir bulgudur. Literatür ışığında bu sonucun olası nedenleri şunlardır:\n\n1.  **Örneklem Büyüklüğü (Sample Size):** Çalışma 30 denek (13 ADHD, 17 Kontrol) üzerinde gerçekleştirilmiştir. fMRI çalışmalarında milimetrik ağ farklarını yakalayabilmek için genellikle daha geniş kohortlara (N \u003e 100) ihtiyaç duyulur.\n2.  **Atlas Çözünürlüğü:** Bu çalışmada 116 bölge içeren **AAL Atlası** kullanılmıştır. Daha yüksek çözünürlüklü atlaslar (örn. Schaefer 400 parcellation) kullanılması durumunda, yerel ağlardaki daha ince bozulmalar tespit edilebilir.\n3.  **ADHD'nin Heterojen Yapısı:** ADHD tek tip bir bozukluk değildir (Dikkat eksikliği baskın, Hiperaktivite baskın vb.). Alt tipler arasındaki nöral farklar, genel grup ortalamasında birbirini nötrlemiş olabilir.\n\n## 🛠️ Kurulum ve Çalıştırma\n\nBu proje **Docker** üzerinde çalışacak şekilde tasarlanmıştır, bu sayede kurulum karmaşası yaşanmaz.\n\n### Seçenek A: Docker ile (Önerilen)\n\n1. **Repoyu Klonlayın:**\n   ```bash\n   git clone [https://github.com/KULLANICI_ADIN/adhd-network-efficiency.git](https://github.com/KULLANICI_ADIN/adhd-network-efficiency.git)\n   cd adhd-network-efficiency\n   ```\n   Docker Konteynerini Başlatın:\n\n```bash\ndocker-compose up --build\nJupyter Notebook'a Erişin: Terminalde çıkan linke tıklayarak (örn: http://127.0.0.1:8888/?token=...) analizi inceleyebilirsiniz.\n\nSeçenek B: Manuel Kurulum (Python)\n```\n```bash\npip install numpy pandas matplotlib scipy networkx nilearn scikit-learn\npython analysis.py\n```\n📂 Dosya Yapısı\n```text\nadhd-network-efficiency/\n├── analysis.ipynb           # 🧠 Ana analiz kodları (Jupyter Notebook)\n├── results/                 # 📊 Çıktı grafikleri (PNG dosyaları burada)\n│   ├── global_efficiency_plot.png\n│   └── clustering_plot.png\n├── Dockerfile               # 🐳 Docker yapılandırması\n├── docker-compose.yml       # 🐳 Servis ayarları\n├── requirements.txt         # 📦 Gerekli kütüphaneler\n└── README.md                # 📄 Proje dokümantasyonu\n```\n👨‍💻 Geliştirici\nBu proje Fırat Üniversitesi Teknoloji Fakültesi öğrencisi tarafından geliştirilmiştir.\n\nGeliştirici: Sena Ay\n\nAlan: Yazılım Mühendisliği \u0026 Nörobilim (Computational Neuroscience)\n\nİletişim: 240541111@firat.edu.tr\n\nNot: Bu çalışma akademik bir araştırma projesi kapsamında hazırlanmıştır.\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fsenaayy%2Fadhd-network-efficiency","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fsenaayy%2Fadhd-network-efficiency","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fsenaayy%2Fadhd-network-efficiency/lists"}