Derin öğrenme yöntemleri ile dermatoloji görüntülerinden deri kanserinin otonom teşhisi
Autonomous diagnosis of skin cancer from dermatology images using deep learning methods
- Tez No: 1005624
- Danışmanlar: DOÇ. DR. İSHAK PAÇAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Görüntü sınıflandırma, Yapay zeka, Image classification, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Iğdır Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Cilt kanseri, erken safhalarında saptanamadığında yüksek can kaybı oranlarına ulaşabilen önemli bir halk sağlığı problemidir. Günümüzde dermoskopik görüntülerden faydalanarak ciltte meydana gelmiş lezyonların otomatik olarak sınıflandırması amacıyla derin öğrenme tabanlı yaklaşımlar sıklıkla kullanılmaktadır. Ancak tıbbi görüntüleri barındıran veri setlerinde genellikle sınıf dengesizliği problemi ile karşılaşılabilmektedir. Bu problem geliştirilen modellerin performansını ve genellenebilirliğini olumsuz yönde etkileyebilmektedir. Bu tez çalışmasında, HAM10000 dermoskopik görüntü veri seti kullanılarak veri dengeleme stratejilerinin farklı derin öğrenme model mimarileri üzerindeki etkileri araştırılmıştır. Çalışma kapsamında iki ayrı deney uygulanmıştır. Birinci deneyde, veri dengesizliği problemini indirgemek adına bir eşik örnek sayısı belirlenmiş ve bu sayıda sınıf bazlı örnek kümeleri giderilmeden eğitilen derin öğrenme modellerinin performansları değerlendirilmiştir; ikinci deneyde ise sınıf dengesizliğini azaltmaya yönelik uygulanan veri dengeleme yaklaşımlarından veri çoğaltma uygulanarak model başarımı üzerindeki etkileri incelenmiştir. Her iki deneyde de DenseNet121, EfficientNet-B3, MobileNet-V3 Large ve ResNet50 derin öğrenme mimarileri, transfer öğrenme yaklaşımıyla aynı deneysel koşullar altında eğitilmiş ve test edilmiştir. Deneyler Colab ortamında T4 GPU ve yüksek bellek konfigürasyonu kullanılarak gerçekleştirilmiştir. Elde edilen sonuçlar doğruluk (accuracy) ve macro F1 gibi değerlendirme metrikleri üzerinden değerlendirilmiştir. Deneysel bulgular, veri dengeleme stratejilerinin özellikle az temsil edilen sınıflarda model performansını iyileştirdiğini ve genel sınıflandırma başarımını artırdığını göstermektedir. Ayrıca EfficientNet-B3 ve ResNet50 mimarilerinin hem doğruluk hem de makro F1-skoru açısından diğer modellere kıyasla daha tutarlı sonuçlar ürettiği gözlemlenmiştir.
Özet (Çeviri)
Skin cancer is a significant public health problem that can lead to high mortality rates if not detected in its early stages. Currently, deep learning-based approaches are frequently used to automatically classify skin lesions using dermoscopic images. However, class imbalance problems are often encountered in datasets containing medical images. This problem can negatively affect the performance and generalizability of the developed models. In this thesis, the effects of data balancing strategies on different deep learning model architectures were investigated using the HAM10000 dermoscopic image dataset. Two separate experiments were conducted within the scope of the study. In the first experiment, a threshold sample size was determined to reduce the data imbalance problem, and the performance of deep learning models trained without eliminating classbased sample sets was evaluated; in the second experiment, data amplification, one of the data balancing approaches applied to reduce class imbalance, was examined in terms of its effects on model performance. In both experiments, DenseNet121, EfficientNet-B3, MobileNet-V3 Large, and ResNet50 deep learning architectures were trained and tested under the same experimental conditions using a transfer learning approach. The experiments were conducted in the Colab environment using a T4 GPU and a highmemory configuration. The results were evaluated using metrics such as accuracy and macro F1. Experimental findings show that data balancing strategies improve model performance, especially in underrepresented classes, and increase overall classification performance. Furthermore, it was observed that the EfficientNet-B3 and ResNet50 architectures produced more consistent results in terms of both accuracy and macro F1 score compared to other models.
Benzer Tezler
- Skin lesion classification with machine learning
Makine öğrenmesi ile cilt lezyonu sınıflandırması
ESRA SENDEL
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- Derin öğrenme ile görüntü bölütleme
Image segmentation with deep learning
ELİF IŞILAY ÜNLÜ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ÇINAR
- Medikal görüntülerin analizinde dönüşüm tabanlı modellere açıklanabilir yapay zeka yaklaşımlarının uygulanması
Utilizing explainable artificial intelligence approaches to transformer based models in medical image analysis
DELAL ŞEKER
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDULNASIR YILDIZ
- Skin lesion classification via hybrid localization-explainability approaches
Hibrit lokalizasyon-açıklanabilirlik yaklaşımları ile deri lezyonu sınıflandırması
HUMAM ABUALKEBASH
Doktora
İngilizce
2025
Mekatronik MühendisliğiKocaeli ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN METİN ERTUNÇ
- Dermatolojik hastalıkların teşhisinde derin öğrenme tabanlı yöntemlerin kullanılması
The use of deep learning-based methods in the diagnosis of dermatological diseases
İSMAİL ANIL AVCI
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ KARAKAYA
PROF. DR. BETÜL DEMİR