İğnecikli sinir ağları (İSA) kullanarak erken evre cilt kanseri tespiti için sınıflandırıcı geliştirilmesi
Development of a classifier for early-stage skin cancer detection using spiking neural networks (SNN)
- Tez No: 1010035
- Danışmanlar: DR. ÖĞR. ÜYESİ VOLKAN ATEŞ
- 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: Tarsus Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgi Güvenliği Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Deri kanseri, erken teşhis edilemediği durumlarda yüksek morbidite ve mortalite oranlarına yol açabilen, tanısı ise lezyonlar arasındaki görsel benzerlikler nedeniyle zor olan önemli bir sağlık problemidir. Son yıllarda derin öğrenme tabanlı yöntemler cilt lezyonu sınıflandırmasında yaygın olarak kullanılmakla birlikte, bu yöntemlerin yüksek hesaplama maliyeti ve enerji tüketimi önemli bir sınırlılık oluşturmaktadır. Bu çalışmada, söz konusu sınırlamalara alternatif bir yaklaşım sunmak amacıyla biyolojik sinir sistemlerinden esinlenen İğnecikli Sinir Ağları (Spiking Neural Networks – SNN) kullanılarak cilt lezyonlarının sınıflandırılması ele alınmıştır. Çalışmada, HAM10000 veri seti kullanılmış ve görüntü verileri, zaman tabanlı bilgi işleme yeteneğine sahip SNN mimarilerine uygun hale getirilmek üzere delta modülasyon (DM) tabanlı iğnecik kodlama yöntemiyle dönüştürülmüştür. Delta modülasyon, giriş sinyalindeki zamansal değişimleri temel alarak iğnecik üretmekte ve bu sayede hem bilgi kaybını azaltmakta hem de enerji verimliliği sağlamaktadır. Veri setinde bulunan sınıf dengesizliğinin model performansı üzerindeki olumsuz etkilerini azaltmak amacıyla, eğitim sürecinde sınıf ağırlıklı kayıp fonksiyonu kullanılmıştır. Geliştirilen SNN modeli, ikili, üçlü ve çok sınıflı senaryolar altında değerlendirilmiştir. Elde edilen deneysel sonuçlar, özellikle klinik açıdan kritik öneme sahip Melanom (MEL) ve Bazal Hücreli Karsinom (BCC) ayrımında modelin yüksek sınıflandırma başarımı sergilediğini göstermektedir. Buna karşın, çok sınıflı senaryolarda çoğunluk sınıfı olan Benign Pigmentli Nevüs (NV) sınıfının ayırt edilmesinde performans düşüşleri gözlemlenmiştir. Sonuç olarak, bu çalışma SNN ve delta modülasyon entegrasyonunun, özellikle malign cilt lezyonlarının sınıflandırılmasında etkili bir yaklaşım sunduğunu ve düşük enerji tüketimi gerektiren nöromorfik sistemler için önemli bir potansiyele sahip olduğunu ortaya koymaktadır.
Özet (Çeviri)
Skin cancer is a major health problem that can lead to high morbidity and mortality rates when not diagnosed at an early stage, and whose diagnosis is challenging due to visual similarities among lesions. Although deep learning–based methods have been widely used in skin lesion classification in recent years, their high computational cost and energy consumption constitute significant limitations. In this study, skin lesion classification using Spiking Neural Networks (SNNs), which are inspired by biological neural systems, is investigated in order to provide an alternative approach to these limitations.The HAM10000 dataset was employed, and the image data were transformed using a delta modulation (DM)–based spike encoding method to make them suitable for SNN architectures with time-based information processing capability. Delta modulation generates spikes based on temporal changes in the input signal, thereby reducing information loss while ensuring energy efficiency. To mitigate the negative effects of class imbalance present in the dataset on model performance, a class-weighted loss function was applied during the training process.The developed SNN model was evaluated under binary, three-class, and multi-class scenarios. The experimental results demonstrate that the model achieves high classification performance, particularly in distinguishing Melanoma (MEL) and Basal Cell Carcinoma (BCC), which are of critical clinical importance. However, performance degradation was observed in multi-class scenarios, especially in discriminating the majority class, Benign Pigmented Nevus (NV).In conclusion, this study reveals that the integration of SNNs and delta modulation provides an effective approach for the classification of malignant skin lesions and holds significant potential for neuromorphic systems requiring low energy consumption.
Benzer Tezler
- Derin öğrenme algoritmalarının EKG aritmilerinin sınıflandırılmasında değerlendirilmesi
Evaluation of deep learning algorithms in classification of ECG arrhythmias
ÖZGÜR TOMAK
Doktora
Türkçe
2018
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. TEMEL KAYIKÇIOĞLU
- Beyin MR görüntülerinin iğnecikli sinir ağları tekniği ile analizi
Analysis of brain MRI images through spiking neural network technique
SALİM KILIÇ
Doktora
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-CerrahpaşaElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERKAN ATMACA
DR. ÖĞR. ÜYESİ ERTUĞRUL ADIGÜZEL
- Nöromorfik hesaplama sistemine yönelik devre tasarımı
Circuit design for neuromorphic computing system
MUHAMMED EFDAL ELKATMIŞ
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BURCU ERKMEN
DR. ÖĞR. ÜYESİ OKAN ZAFER BATUR
- Yapay görme için basitleştirilmiş görsel korteks modeli
Simplified visual cortex model for machine vision
İSMAİL CAN ÇEVİKBAŞ
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM
- İğnecikli sinir ağları ile ses kaynağı sınıflandırma
Sound source classi̇fi̇cati̇ons usi̇ng spi̇ki̇ng neural networks
PEREN JERFİ CANATALAY
Yüksek Lisans
Türkçe
2016
Elektrik ve Elektronik Mühendisliğiİstanbul Aydın ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN