A novel hybrid activation function in deep learning for robust medical image classification
Derin öğrenmede gürbüz tıbbi görüntü sınıflandırması için yeni bir hibrit aktivasyon fonksiyonu
- Tez No: 1011764
- Danışmanlar: Prof. Dr. ASIM EGEMEN YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Evrişimli sinir ağları, Görüntü sınıflandırma, Tıbbi görüntüleme, Yapay sinir ağları, Deep learning, Convolutional neural networks, Image classification, Medical imaging, Artificial neural networks
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Aktivasyon fonksiyonları, doğrusal olmayanlık sağladıkları, gradyan akışını iyileştirdikleri ve özellik gösterimini geliştirdikleri için derin öğrenme modelleri için temeldir. Tıbbi görüntüleme sınıflandırması için evrişimli sinir ağlarının (CNN) kararlılığını ve verimliliğini artırmak amacıyla bu çalışmada yeni bir adaptif aktivasyon fonksiyonu olan FlexiGate tanıtılmıştır. ReLU, Mish ve Swish gibi bilinen diğer aktivasyon fonksiyonlarıyla karşılaştırıldığında, FlexiGate katmanlar arasında doğrusal olmayanlık ve gradyan yayılımı arasında denge kurabilen uyarlanabilir bir geçit mekanizmasına sahiptir. FlexiGate, sığ-orta derinlikte bir CNN eğitmek için MedMNIST v2 veritabanının bir alt kümesi olan PathMNIST veri kümesi kullanılarak bilinen aktivasyonlarla karşılaştırıldı. SharpQuadBoost, Balanced, MostlyQuad ve SmoothTanh gibi farklı FlexiGate varyantları kullanıldı ve değerlendirildi. Özellik gösterimlerinin ve aktivasyon odaklı karar sınırlarının daha iyi anlaşılması için model değerlendirmesinde doğruluk, F1-puanı, ROC-AUC, karışıklık matrisleri ve PCA ve t-SNE kullanılarak özellik alanı görselleştirmesi kullanılmıştır. Sonuçlara göre, düşük performans gösteren FlexiGate varyantları aktivasyon şekline karşı duyarlılık gösterirken, en iyi performans gösteren varyantlar sürekli olarak rekabetçi doğruluk, istikrarlı yakınsama ve gelişmiş temsil gücü (ROC-AUC ~0,87) gösterdi. Bu, CNN'lerin FlexiGate gibi adaptif hibrit aktivasyon ile daha iyi performans elde edebileceğini, kaybolan gradyanları azaltabileceğini ve daha güvenilir ve kararlı öğrenmeye yol açabileceğini doğrulamaktadır. Bu çalışma, tıbbi görüntülemede aktivasyon fonksiyonlarının sistematik bir karşılaştırmasına katkıda bulunmakta ve tıbbi uygulamalarda aktivasyona duyarlı derin öğrenme modelleri için adaptif hibrit FlexiGate'i önermektedir.
Özet (Çeviri)
Activation functions are fundamental to deep learning models, as they provide non-linearity, improve gradient flow, and enhance feature representation. To improve the stability and efficiency of convolutional neural networks (CNN) for medical imaging classification, this study introduces FlexiGate, a new adaptive activation function. Compared to the other known activation functions like ReLU, Mish, and Swish, FlexiGate has an adaptive gating mechanism that can balance between non-linearity and gradient propagation across layers. FlexiGate was compared with known activations using PathMNIST dataset, a subset of the MedMNIST v2 database, to train a shallow-to-medium depth CNN. Different FlexiGate variants such as SharpQuadBoost, Balanced, MostlyQuad, and SmoothTanh were utilized and evaluated. The accuracy, F1-score, ROC-AUC, confusion matrices, and feature space visualization using PCA and t-SNE were used for the model evaluation to better understand feature representations and activation-driven decision boundaries. According to results, underperforming FlexiGate variants showed sensitivity to activation shape, whereas top-performing variants consistently demonstrated competitive accuracy, stable convergence, and enhanced representational power (ROC-AUC ~0.87). This verifies that CNNs can achieve better performance, reduce vanishing gradients and lead to more reliable stable learning with adaptive hybrid activation such as FlexiGate. This study contributes a systematic comparison of activation functions in medical imaging and proposes the adaptive hybrid FlexiGate for activation-aware deep learning models in medical applications.
Benzer Tezler
- Design and deployment of deep learning based fuzzy logicsystems
Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması
AYKUT BEKE
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Evrişimli sinir ağları için hibrit bir iyileştirici geliştirilmesi
Development of a hybrid optimizer for convolutional neural networks
İBRAHİM ÇAĞRI AKSEKİLİ
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VAHİT TONGUR
- Identification and adaptive control of bipedal robot motion with artificial neural networks
İki ayaklı robot hareketinin yapay sinir ağları ile tanılanması ve uyarlanabilir kontrolü
BURAK ÇATALBAŞ
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER MORGÜL
- Derin öğrenme algoritmaları ile personel geri bildirimlerinin sınıflandırılması ve analizi
Classification and analysis of employee feedback with deep learning algorithms
GÖKHAN YİĞİDEFE
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN
- Design, development, and control of an active transfemoral prosthesis
Aktif transfemoral protezin tasarımı, geliştirilmesi ve kontrolü
OMID ARFAIE KHOSROWSHAHI
Doktora
İngilizce
2026
BiyomühendislikÖzyeğin ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RAMAZAN UNAL