Beyin tümörlerinin tespiti için derin öğrenme yaklaşımlarının incelenmesi
For the detection of brain tumors examination of deep learning approaches
- Tez No: 1005947
- Danışmanlar: DOÇ. DR. FARUK ÖZGER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- 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
Beyin tümörü türlerinin doğru bir şekilde ayırt edilmesi, etkili tedavi planlaması için kritik öneme sahiptir; ancak manyetik rezonans görüntülerinin (MRG) manuel olarak yorumlanması zaman alıcıdır ve gözlemciye bağlı değişkenlikler içerebilmektedir. Bu çalışmada, glioma, meningioma ve hipofiz tümörlerini kapsayan 3.064 kontrast artırımlı MRG görüntüsünden oluşan açık erişimli bir veri seti kullanılarak, beyin tümörü sınıflandırması için son teknoloji on derin öğrenme modelinin sistematik bir karşılaştırması sunulmuştur. Inception v4 ve ConvNeXt gibi beş gelişmiş Evrişimsel Sinir Ağı (CNN) modeli, Swin-Base ve PiT-Base gibi beş Vision Transformer (ViT) mimarisi ile doğrudan karşılaştırılmıştır. Modeller, transfer öğrenme, veri artırma ve makro ortalamalı performans ölçütleri (doğruluk, kesinlik, duyarlılık ve F1-skoru) kullanılarak birleşik bir değerlendirme çerçevesi altında analiz edilmiştir. Elde edilen sonuçlar, CNN modelleri arasında Inception v4'ün %96,73 doğruluk oranı ile en yüksek performansı sağladığını, ViT modelleri arasında ise PiTBase'in daha az parametreye sahip olmasına rağmen %96,41 doğruluk oranı ile rekabetçi bir başarı gösterdiğini ortaya koymuştur. Bu durum, çok ölçekli evrişimsel işlem ile verimli dönüştürücü mimariler arasındaki dengeyi vurgulamaktadır. GradCAM tabanlı açıklanabilir yapay zekâ analizi, modellerin tutarlı biçimde klinik olarak anlamlı tümör bölgelerine odaklandığını göstermiş ve model yorumlanabilirliğini artırmıştır. Sonuçlar, hem CNN hem de ViT tabanlı modellerin uzman düzeyine yakın tanısal performansa ulaşabildiğini ve bu başarının belirleyici unsurunun parametre sayısından ziyade mimari verimlilik olduğunu göstermektedir.
Özet (Çeviri)
Accurate differentiation of brain tumor types is essential for effective treatment planning, yet manual interpretation of MRI scans is labor-intensive and prone to variability. This study presents a systematic benchmark of ten state-of-the-art deep learning models for automated brain tumor classification using a public dataset of 3,064 contrast-enhanced MRI scans covering glioma, meningioma, and pituitary tumors. Five advanced Convolutional Neural Networks (CNNs), including Inception v4 and ConvNeXt, are directly compared against five Vision Transformer (ViT) architectures, such as Swin-Base and PiT-Base. Models were evaluated under a unified framework with transfer learning, data augmentation, and macro-averaged metrics (accuracy, precision, recall, F1-score). Results show that Inception v4 achieved the highest accuracy (96.73%) among CNNs, while PiT-Base attained a competitive accuracy of 96.41% with fewer parameters, highlighting the trade-off between multi-scale convolutional processing and efficient transformer designs. Explainable AI analysis with Grad-CAM confirmed that models consistently focused on clinically relevant tumor regions, enhancing interpretability. The findings underscore that both CNNs and ViTs can reach near-expert diagnostic performance, with architectural efficiency rather than parameter count being the decisive factor.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Beyin MR görüntüleri üzerinden beyin tümörü tespiti,sınıflandırması ve segmentasyonunda derin öğrenme yöntemlerinin incelenmesi
An investigation of deep learning approaches for brain tumor detection, classification, andsegmentation from brain MRI images
ESMA NUR GÜNEŞER
Yüksek Lisans
Türkçe
2026
Mühendislik BilimleriYıldız Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MERT BAL
- Comparative analysis of deep convolutional neural network models for classification of brain tumors
Beyin tümörlerinin sınıflandırılmasında derin evrişimli sinir ağı modellerinin karşılaştırmalı analizi.
OZAN AKHAN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstinye ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞENOL PİŞKİN
- OPTIMIZING GRAPH NEURAL NETWORKS FOR BRAIN TUMOR DETECTION USING MODEL PRUNING TECHNIQUES
BEYİN TÜMÖRÜ TESPİTİ İÇİN ÇİZGE SİNİR AĞLARININ MODEL BUDAMA TEKNİKLERİ KULLANILARAK OPTİMİZE EDİLMESI
ABDUSSAMAT SAIDBURKHAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU ÇAKIR YENİDOĞAN
- Diagnosing knee injuries from mri with transformer based deep learning
Transformer tabanlı derin öğrenme ile mr görüntülerinden diz hastalıklarının tespiti
GÖKAY SEZEN
Yüksek Lisans
İngilizce
2023
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKAY ÖKSÜZ