Hibrit derin öğrenme mimarileri ile beyin tümörlerinin sınıflandırılması
Brain tumor classification with hybrid deep learning architectures
- Tez No: 1016960
- Danışmanlar: DOÇ. DR. KAPLAN KAPLAN
- 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: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beyin tümörlerinin erken teşhisi, hastaların yaşam süresini uzatmak ve tedavi başarısını artırmak için çok önemlidir. Bu nedenle, beyin tümörü sınıflandırma sorununa derin öğrenme tabanlı hibrit bir yaklaşım uygulanmıştır. Bu nedenle, klinikte otomatik sınıflandırma sistemlerinin geliştirilmesi çok önemlidir. Çalışmanın ilk aşamasında Figshare veri seti kullanılarak ResNet101 modeli ile temel bir eğitim verildi. Modelin performansını artırmak için önce CLAHE yöntemi kullanıldı, ardından CBAM dikkat mekanizması olarak kullanıldı. Elde edilen CBAM destekli ResNet101 mimarisi üzerine Swin Transformer modeli eklenerek hibrit bir yapı oluşturulmuştur. Bu, paralel özellik çıkarımını sağlar. Eğitimin tamamlanmasının ardından, hibrit modelin genellenebilirliğini değerlendirmek için Kaggle veri seti üzerinde test edildi. Performansın düşük olması nedeniyle ince ayar uygulandı. Fine-tuning sonrası sonuçlar iyileşti, ancak hata oranını azaltmak için model mimarisi ve eğitim teknikleri yeniden gözden geçirildi. Bu, CBAM aşamasına geri dönmek ve hiperparametreleri Bayesian Optimizasyonu kullanarak optimize etmek için kullanıldı. Ardından Swin Transformer modelini yeniden entegre etmek, hibrit mimariyi sağladı. Oluşturulan yapının performansını artırmak için dış veri setleri üzerinde analiz edildi ve tekrar iyileştirme sürecine tabi tutuldu. Bununla birlikte, derin öğrenme tabanlı sınıflandırma aşamasında görülen hatalar nedeniyle, yapılan iyileştirmelere rağmen alternatif bir yaklaşım benimsenmiştir. Sınıflandırma aşamasında Destek Vektör Makineleri (SVM), derin öğrenme modellerinden elde edilen üstün özellikleri kullanarak tercih edilmiştir. OptimizeSVM yapısı ve GridSearch tabanlı hiperparametre optimizasyonu, SVM modelinin performansını artırmak için kullanılmıştır. Çalışmanın son aşamasında, OptimizeSVM yapıları ve fine-tuned derin öğrenme modeli Kaggle ve CE-MRI veri setleri üzerinde test edildi. Elde edilen sonuçlar, önerilen hibrit yöntemin hem genellenebilirlik hem de yüksek doğruluk sağladığını göstermektedir.
Özet (Çeviri)
Early detection of brain tumors is vital for extending patient life expectancy and improving treatment success. Therefore, developing automated clinical classification systems is of critical importance. In this study, a deep learning-based hybrid approach was implemented for brain tumor classification. Initially, a baseline model was trained on the Figshare dataset using ResNet101. To enhance performance, CLAHE was applied for image preprocessing, followed by the integration of the CBAM (Convolutional Block Attention Module). A hybrid architecture was then established by adding a Swin Transformer layer onto the CBAM-integrated ResNet101, enabling advanced feature refinement. The model's generalizability was evaluated using a Kaggle dataset. Due to initial performance limitations, fine-tuning was performed. To further minimize error rates, the architecture was revisited, and hyperparameters were optimized using Bayesian Optimization at the CBAM stage before re-integrating the Swin Transformer. Despite these improvements, an alternative classification strategy was adopted to address residual errors. Instead of a standard softmax layer, Support Vector Machines (SVM) were employed to classify the superior features extracted by the hybrid deep learning model. The SVM performance was maximized using OptimizeSVM and GridSearch-based hyperparameter optimization.In the final stage, the fine-tuned hybrid models and OptimizeSVM structures were validated on Kaggle and CE-MRI datasets. The results demonstrate that the proposed hybrid method achieves both high accuracy and robust generalizability in brain tumor classification.
Benzer Tezler
- Nesne tespiti ve görüntü sınıflandırmada derin öğrenme modellerine dayalı yeni yöntemlerin geliştirilmesi
Development of novel deep learning-based methods for object detection and image classification
MALIKI MOUSTAPHA
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CELAL ÖZTÜRK
- Radyolojik görüntülerde kanser alt tiplerinin ve genotiplerinin derin öğrenme yöntemleri kullanılarak sınıflandırılmasının geliştirilmesi
Enhancing classification of cancer subtypes and genotypes using deep learning on radiological images
NESLİHAN GÖKMEN İNAN
Doktora
Türkçe
2024
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. OZAN KOCADAĞLI
PROF. DR. CHUNLEİ LIU
- Derin öğrenme teknikleri ile beyin tümörü tespiti ve sınıflandırılması
Brain tumor detection and classification with deep learning techniques
CANAN SOYOĞUL
Yüksek Lisans
Türkçe
2025
İstatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MURTAZA ÖZGÜR YENİAY
DR. ÖĞR. ÜYESİ ÖZNUR ÖZALTIN
- 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
- Epileptik nöbet belirtilerinin tespiti: EEG sinyallerinin dalgacık dönüşümleri ve transformer modelinin rolü
Detection of epileptic seizure symptoms: The role of wavelet transforms of EEG signals and the transformer model
ALİ DEMİR
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiTeknoloji ve Bilgi Yönetimi Ana Bilim Dalı
DOÇ. DR. MESUT TOĞAÇAR