Revolutionizing the classification of medical image classification by using integrating advanced neural networks with pre-processing
Gelışmış sınır ağlarının ön işleme ıle entegrasyonu yoluyla tıbbı görüntü sınıflandırmasını devrımleştırmek
- Tez No: 1002343
- Danışmanlar: DR. ÖĞR. ÜYESİ HAYDER ALI ABDULLAH MOHAMMEDQASIM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Gastrointestinal Görüntüleme, EfficientNet-B0, Kvasir v2, Derin öğrenme, Görüntü Sınıflandırma, Tıbbi Yapay Zeka, Gastrointestinal Disease, EfficientNet-B0, Kvasir v2, Deep Learning, Image Classification, AI in Medical
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Veri Bilimi ve Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Gastrointestinal (GI) endoskopik görüntülerin otomatik sınıflandırılması, tıbbi görüntüleme alanında erken hastalık tespiti, tanı doğruluğu ve klinik karar destek sistemleri açısından kritik bir öneme sahiptir. Bu çalışma, farklı GI hastalıklarını temsil eden etiketli endoskopik görüntüler içeren iki açık kaynaklı veri kümesi olan Kvasir v1 ve Kvasir v2 üzerinde ileri düzey derin öğrenme mimarilerinin performansını incelemektedir. Araştırmada dört önde gelen model değerlendirilmiştir: EfficientNet-B0, EfficientNet-B3, MobileNetV3-Large ve CoAtNet. Tüm modeller, tutarlı bir ön işleme, eğitim ve değerlendirme süreci sağlayan birleşik bir deneysel çerçevede test edilmiştir. Performans değerlendirmeleri doğruluk (accuracy), F1-skoru, ROC eğrisi altındaki alan (AUC) ve çıkarım süresi gibi metrikler kullanılarak gerçekleştirilmiştir. Tüm modeller arasında, EfficientNet-B0, %99 sınıflandırma doğruluğu ve 0.998 AUC skoru ile en yüksek performansı göstermiştir. Bu model aynı zamanda kompakt mimarisi sayesinde gerçek zamanlı klinik uygulamalara uygunluk sağlamaktadır. Bu sonuçlar, özellikle kaynak kısıtlı ortamlarda, hafif yapılı evrişimsel sinir ağlarının (CNN) tıbbi tanı sistemlerindeki potansiyelini vurgulamaktadır. Bu çalışma, sadece deneysel bulgular sunmakla kalmayıp aynı zamanda alandaki bazı temel zorluklara da dikkat çekmektedir: veri kümeleri arası genelleme eksikliği, model yorumlanabilirliği konusundaki sınırlamalar ve transformer tabanlı mimarilerin yüksek donanım gereksinimleri. Sunulan yaklaşım, GI hastalıklarının tespiti için ölçeklenebilir, verimli ve tekrarlanabilir bir yapay zeka destekli tanı sistemi geliştirilmesine katkı sağlamaktadır.
Özet (Çeviri)
The automated classification of gastrointestinal (GI) endoscopic images is an essential task in medical image analysis, with significant implications for early disease detection, diagnostic efficiency, and clinical decision support. This study examines the efficacy of cutting-edge deep learning architectures on two benchmark datasets, Kvasir v1 and Kvasir v2, comprising annotated endoscopic images representing various GI tract conditions. Four outstanding deep learning models have been usded: EfficientNet-B0, EfficientNet-B3, MobileNetV3-Large, and CoAtNet, within a unified experimental framework that ensures consistent preprocessing, training, and evaluation across architectures. In addition, the Performance was measured by using many of the most famous measures in deep learnig field wich is accuracy, F1-score, area under the ROC curve (AUC), and inference time. Between the four used models, EfficientNet-B0 was the best by achieving the highest classification performance, exceeding 99% accuracy and an AUC of 0.998 on the Kvasir v2 dataset, as well as maintaining a the right architecture that is suitable for real-time deployment. However, These results and findings declare the potential of lightweight convolutional networks in clinical diagnostics, especially in resource-limited settings. In addition to reporting empirical findings, this work identifies persistent challenges in the field, including limited cross-dataset generalization, interpretability concerns, and the computational demands associated with transformer-based models. Finally, the proposed method used in this thesis contributes a reproducible and efficient deep learning pipeline that supports the development of Artificial inteligince tools for gastrointestinal disease detection.
Benzer Tezler
- Developing a novel artificial intelligence based method for diagnosing chronic obstructive pulmonary disease
Kronik obstrüktif akciğer hastalığı teşhisi için yapay zeka tabanlı yeni bir yöntem geliştirilmesi
İNANÇ MORAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ TURGAY ALTILAR
- Yapay zeka ve makine öğrenimi ile pankreas tümörlerinin saptanması
Detecting pancreatic tumors with artificial intelligence and machine learning
GÜNEŞ ORAL
Tıpta Uzmanlık
Türkçe
2024
Genel Cerrahiİstanbul Üniversitesi-CerrahpaşaGenel Cerrahi Ana Bilim Dalı
PROF. DR. ABDULLAH KAĞAN ZENGİN
- A novel artificial intelligence approach to strengthen intrusion detection system for internet of medical things
Medikal nesnelerin interneti için ağa sızmayı algılama sistemini güçlendirmeye yönelik yeni bir yapay zeka yaklaşımı
GÖKHAN AKAR
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ONAT
DOÇ. DR. ÜNAL ÇAVUŞOĞLU
- Addressing encoder-only transformer limitations with graph neural networks for text classification
Yalnızca kodlayıcı kullanan dönüştürücülerin metin sınıflandırmasındaki sınırlamalarının çizge sinir ağları ile aşılması
ARDA CAN ARAS
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. AYKUT KOÇ
- EKG görüntülerini kullanarak farklı transfer öğrenme modelleri ile aritmi tespiti
Arrhythmia detection with different transfer learning models using ECG
ÖMER YILDIZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULKADİR ŞEKER