A metaheuristic optimization–integrated deep learning framework for high-dimensional image classification
Yüksek boyutlu görüntü sınıflandırması için meta sezgisel optimizasyon-entegre derin öğrenme çerçevesi
- Tez No: 1000414
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA YENİAD
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimi ve Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tıbbi teşhis ve uzaktan algılama alanlarında yüksek boyutlu görüntüleme verilerinin hızla artması; akıllı, güvenilir ve genellenebilir sınıflandırma sistemlerine olan ihtiyacı artırmıştır. Bu tez çalışması, söz konusu zorlukların üstesinden gelmek amacıyla, Manyetik Rezonans Görüntüleme (MRG) kullanarak Alzheimer hastalığı teşhisi ve Sentetik Açıklıklı Radar (SAR) görüntüleri üzerinden hedef tanıma iki farklı uygulama alanında karmaşık görüntü sınıflandırma görevleri için meta-sezgisel optimizasyon entegreli bir derin öğrenme çerçevesi önermektedir. Önerilen yaklaşım; ayırt edici kapasiteyi, gürültüye karşı dayanıklılığı ve genel sınıflandırma performansını artırmak için derin öznitelik çıkarımı ile Fisher Mantis Optimizasyonunu (FMO) sinerjik bir şekilde entegre etmektedir. Tıbbi görüntüleme alanında, ADNI ve MIRIAD veri setleri kullanılarak yapılan değerlendirmeler; geliştirilen yöntemin Alzheimer hastalığının evrelerini ayırt etmede etkili olduğunu, duyarlılık, özgüllük ve F1-skoru gibi temel metriklerde önemli iyileşmeler sağladığını ortaya koymuştur. Bu sonuçlar, klinik olarak anlamlı nörogörüntüleme örüntülerinin yakalanmasında optimizasyon destekli öznitelik seçiminin etkinliğini doğrulamaktadır. Benzer şekilde, SAR alanında yürütülen çalışmalar, önerilen çerçevenin gürültü ve bakış açısı değişimleri gibi zorlu koşullar altında üstün hedef ayrıştırma yeteneği sergilediğini göstermiştir. Hiper-parametre duyarlılık analizleri ise modellerin farklı konfigürasyonlarda kararlı performans sergilediğini ve yüksek yapısal dayanıklılığa sahip olduğunu kanıtlamıştır. Mevcut gelişmiş yöntemlerle yapılan karşılaştırmalı analizler, önerilen çerçevenin güçlü bir genelleme yeteneğini korurken üstün veya rekabetçi bir performans sunduğunu doğrulamaktadır. Farklı görüntüleme modaliteleri genelinde elde edilen tutarlı başarı, derin öğrenme mimarileri ile meta-sezgisel optimizasyon stratejilerinin birleştirilmesinin potansiyelini vurgulamaktadır. Sonuç olarak tez, tıbbi görüntüleme ve uzaktan algılamada uygulanabilir, esnek ve optimizasyon odaklı bir çerçeve sunarak gelecek araştırmalara temel oluşturmaktadır.
Özet (Çeviri)
The rapid expansion of high-dimensional imaging in medical diagnosis and remote sensing necessitates intelligent, reliable, and generalizable classification systems. This dissertation proposes a metaheuristic optimization-integrated deep learning framework to address these needs across two distinct domains: Alzheimer's disease diagnosis via magnetic resonance imaging (MRI) and target recognition using synthetic aperture radar (SAR) imagery. The approach synergistically integrates deep feature extraction with Fisher Mantis Optimization (FMO) to enhance discriminative capability, robustness, and overall classification accuracy. Validation in the medical domain using ADNI and MIRIAD datasets demonstrates that the framework effectively distinguishes Alzheimer's disease stages, with significant improvements in sensitivity, specificity, and F1-score. These results underscore the efficacy of optimization-assisted feature selection in identifying clinically relevant neuroimaging patterns. Similarly, in the SAR domain, the framework achieves superior target discrimination and resilience against noise and viewpoint variations. Hyperparameter sensitivity analyses further confirm that the proposed models maintain stable performance across diverse configurations, reflecting substantial structural robustness. Comparative evaluations against state-of-the-art methods verify that the proposed framework delivers superior or competitive performance while ensuring strong generalization. The consistent success across heterogeneous imaging modalities highlights the potency of combining deep learning architectures with metaheuristic optimization. Ultimately, this dissertation provides a flexible, optimization-aware framework that establishes a robust foundation for real-world deployment in both medical and remote sensing applications.
Benzer Tezler
- Ovulasyon indüksiyonu tedavisinde folliküler gelişimin ultrasonografik takibi
Başlık çevirisi yok
MERİH BAYRAM
- Bazı esterlerin kinetik incelenmesi ve termodinamik parametrelerin belirlenmesi
Kinetic study and detesmination of thermodnamic parameters of some esters
İBRAHİM TAŞ
- İzmir'de bazı yolların kapatılarak yaya bölgeleri oluşturma da kent peyzajını geliştirme açısından yeniden planlanması üzerinde araştırmalar
Başlık çevirisi yok
BAHAR TÜRKYILMAZ
- Atherosklerotik kalp hastalıklarında risk faktörleri
Risk factors in the coronary artery disease
MURAT SUHER
