https://github.com/senaayy/adhd-network-efficiency
🧠 End-to-end fMRI analysis pipeline comparing ADHD brain topology vs. Healthy Controls using Graph Theory (Global Efficiency & Clustering). Built with Nilearn, NetworkX, and Docker for reproducible neuroscience.
https://github.com/senaayy/adhd-network-efficiency
adhd bioinformatics brain-networks computational-neuroscience data-science docker fmri graph-theory network-analysis networkx neuroscience nilearn python scikit-learn
Last synced: 5 days ago
JSON representation
🧠 End-to-end fMRI analysis pipeline comparing ADHD brain topology vs. Healthy Controls using Graph Theory (Global Efficiency & Clustering). Built with Nilearn, NetworkX, and Docker for reproducible neuroscience.
- Host: GitHub
- URL: https://github.com/senaayy/adhd-network-efficiency
- Owner: senaayy
- Created: 2026-02-10T14:35:52.000Z (4 months ago)
- Default Branch: main
- Last Pushed: 2026-02-10T15:10:28.000Z (4 months ago)
- Last Synced: 2026-02-10T18:59:10.602Z (4 months ago)
- Topics: adhd, bioinformatics, brain-networks, computational-neuroscience, data-science, docker, fmri, graph-theory, network-analysis, networkx, neuroscience, nilearn, python, scikit-learn
- Language: Jupyter Notebook
- Homepage:
- Size: 330 KB
- Stars: 0
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# 🧠 ADHD Brain Network Analysis: fMRI Graph Theory Pipeline
Bu 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.
Proje, fMRI verilerini işleyerek beynin **Global Verimliliğini (Global Efficiency)** ve **Yerel Kümelenmesini (Clustering Coefficient)** analiz eder.
---
## 🔬 Proje Özeti & Amaç
ADHD'nin nörobiyolojik temellerini anlamak için beynin fonksiyonel bağlantılarını (Functional Connectivity) inceledik.
* **Hipotez 1 (Otobanlar):** ADHD'li bireylerde beynin uzun mesafeli iletişimi (Global Efficiency) bozuk mudur?
* **Hipotez 2 (Mahalleler):** ADHD'li bireylerde yerel ağ bağlantıları (Clustering Coefficient) farklı mıdır?
### ⚙️ Kullanılan Metodoloji
1. **Veri Seti:** Peking Üniversitesi (ADHD-200) veri seti (Nilearn ile otomatik indirme).
2. **Atlas:** AAL (Automated Anatomical Labeling) Atlası ile 116 beyin bölgesi (ROI) çıkarımı.
3. **Preprocessing:** Sinyal maskeleme, detrending ve z-score standardizasyonu.
4. **Network Modelleme:** Bölgesel zaman serileri arasındaki korelasyon matrislerinin çıkarılması.
5. **Graph Theory:** `NetworkX` kütüphanesi ile beynin matematiksel grafiğe dökülmesi.
6. **İstatistik:** Bağımsız örneklem T-Testi (Independent T-Test).
---
## 📊 Sonuçlar ve Görseller
30 denek üzerinde (ADHD vs Kontrol) gerçekleştirilen analiz sonuçları aşağıdadır.
### 1. Global Efficiency (Uzun Mesafe İletişim)
Beynin genel entegrasyon kapasitesini ölçer.
* **Sonuç:** İstatistiksel olarak anlamlı bir fark bulunamamıştır (`p > 0.05`).
* **Yorum:** ADHD'li bireylerde beynin genel iletişim otobanları (Global Efficiency) korunmuştur.
### 2. Clustering Coefficient (Yerel Ağ Bağlantısı)
Beynin yerel bölgelerinin (komşuların) birbirine bağlanma derecesini ölçer.
* **Sonuç:** Gruplar arasında belirgin bir fark gözlemlenmemiştir (`p > 0.05`).
* **Yorum:** Beynin "Small-World" (Küçük Dünya) mimarisi ve yerel işleme kapasitesi her iki grupta da benzerdir.
---
## 🔍 Tartışma ve Kritik Değerlendirme (Neden Fark Bulunamadı?)
Bu çalışmada elde edilen `p > 0.05` sonucu, "başarısızlık" değil, bilimsel bir bulgudur. Literatür ışığında bu sonucun olası nedenleri şunlardır:
1. **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 > 100) ihtiyaç duyulur.
2. **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.
3. **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.
## 🛠️ Kurulum ve Çalıştırma
Bu proje **Docker** üzerinde çalışacak şekilde tasarlanmıştır, bu sayede kurulum karmaşası yaşanmaz.
### Seçenek A: Docker ile (Önerilen)
1. **Repoyu Klonlayın:**
```bash
git clone [https://github.com/KULLANICI_ADIN/adhd-network-efficiency.git](https://github.com/KULLANICI_ADIN/adhd-network-efficiency.git)
cd adhd-network-efficiency
```
Docker Konteynerini Başlatın:
```bash
docker-compose up --build
Jupyter Notebook'a Erişin: Terminalde çıkan linke tıklayarak (örn: http://127.0.0.1:8888/?token=...) analizi inceleyebilirsiniz.
Seçenek B: Manuel Kurulum (Python)
```
```bash
pip install numpy pandas matplotlib scipy networkx nilearn scikit-learn
python analysis.py
```
📂 Dosya Yapısı
```text
adhd-network-efficiency/
├── analysis.ipynb # 🧠 Ana analiz kodları (Jupyter Notebook)
├── results/ # 📊 Çıktı grafikleri (PNG dosyaları burada)
│ ├── global_efficiency_plot.png
│ └── clustering_plot.png
├── Dockerfile # 🐳 Docker yapılandırması
├── docker-compose.yml # 🐳 Servis ayarları
├── requirements.txt # 📦 Gerekli kütüphaneler
└── README.md # 📄 Proje dokümantasyonu
```
👨💻 Geliştirici
Bu proje Fırat Üniversitesi Teknoloji Fakültesi öğrencisi tarafından geliştirilmiştir.
Geliştirici: Sena Ay
Alan: Yazılım Mühendisliği & Nörobilim (Computational Neuroscience)
İletişim: 240541111@firat.edu.tr
Not: Bu çalışma akademik bir araştırma projesi kapsamında hazırlanmıştır.