Optimizing graph neural networks for brain tumor detection using model pruning techniques
Beyin tümörü tespiti için çizge sinir ağlarının model budama teknikleri kullanılarak optimize edilmesı
- Tez No: 1017957
- Danışmanlar: DR. ÖĞR. ÜYESİ DUYGU ÇAKIR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimi ve Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Manyetik Rezonans Görüntüleme (MRI), tıbbi tanının önemli bir parçası olan beyin tümörlerini tespit etmek için kullanılır. Derin öğrenme modelleri, özellikle Evrişimli Sinir Ağları (CNN'ler), etkili olduklarını kanıtlamış olsalar da, beyin bölgeleri arasındaki topolojik bağlantıları simüle etmede sıklıkla başarısız olurlar. Grafik Sinir Ağları (GNN'ler), MRI verilerini grafikler olarak görüntüleyerek güçlü bir alternatif sunar. Ancak GNN'ler hesaplama açısından zorlayıcıdır ve kaynakların sınırlı olduğu tıbbi ortamlarda kullanımlarını kısıtlamaktadır. Bu proje, Br35H ve Beyin Tümörü Sınıflandırması (MRI) veri setlerini kullanarak beyin tümörü sınıflandırması için verimli bir GNN tabanlı çerçeve sağlamayı amaçlamaktadır. Konsept, MRI görüntülerini süperpiksel yöntemleri kullanarak grafik yapılarına dönüştürmeyi ve hesaplama karmaşıklığını en aza indirmek için model budama tekniklerini kullanmayı içermektedir. Bu çalışma, öncelikle L1-Yapılandırılmamış Budama ve Yapılandırılmış Budamanın model boyutu, çıkarım süresi ve sınıflandırma doğruluğu üzerindeki etkilerini incelemektedir. Bu çalışma, budama yaklaşımlarının GNN modellerinin bellek ayak izini önemli ölçüde azaltırken, iyi bir teşhis doğruluğunu koruduğunu göstermeyi amaçlamaktadır. Bu makale, budama algoritmalarının karşılaştırmalı analizini yaparak, gerçek zamanlı teşhis için gelişmiş GNN modellerinin uç cihazlarda kullanılmasına olanak tanıyan tıbbi yapay zeka alanına katkıda bulunmaktadır.
Özet (Çeviri)
Magnetic Resonance Imaging (MRI) is one of the techniques used for brain tumor detection and thus supports medical diagnosis, playing this role for a long time. Deep learning models, particularly Convolutional Neural Networks (CNNs), are effective; nonetheless, they remain unable to appreciate the topological interrelations of brain regions. On the other hand, Graph Neural Networks (GNNs) present themselves as a compelling option for representing MRI data as graphs. Nevertheless, due to the high computational requirements, the application of GNNs in resource-constrained medical settings is limited. Our project aims to provide an efficient GNN-based framework for brain tumor classification utilizing the Br35H and Brain Tumor Classification (MRI) datasets. The concept entails transforming MRI images into graph structures using superpixel methods and pruning models to reduce computational complexity. This study looks primarily at the effects of L1-Unstructured Pruning and Structured Pruning on model size, inference time, and classification accuracy. This study explores how pruning techniques can significantly reduce the memory required by GNN models, while maintaining their high diagnostic accuracy. It's a valuable addition to medical AI, showing a comparative analysis of pruning algorithms that enables the deployment of advanced GNN models on small edge devices for quick, real-time diagnoses.
Benzer Tezler
- Reproducibility of graph neural networks in multiview brain connectivity
Çokgörünümlü beyin bağlantılarında çizge sinir ağlarının yeniden üretilebilirliği
HIZIR CAN BAYRAM
Yüksek Lisans
İngilizce
2024
İstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Finansal yatırım piyasalarında fiyat tahminleme: Kripto para piyasasında yapay sinir ağları uygulaması
Price prediction in financial investment markets: Application of artificial neural networks in cryptocurrency market
EREN ULUCAN
Yüksek Lisans
Türkçe
2024
İstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Grup teknolojisi imalat sistemleri tasarımı için bir metodoloji ve bu metodolojinin endüstride uygulanması
Başlık çevirisi yok
NEVİN AYDIN
- Graf invaryantları ile güçlendirilmiş makine öğrenmesi algoritmaları
Machine learning algorithms enhanced with graph invariants
LEYLA SUSAMCIOĞLU
Yüksek Lisans
Türkçe
2026
İzmir Katip Çelebi ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Farklı çikolataların reolojik, tekstürel, duyusal özelliklerinin ve diğer bazı kalite kriterlerinin yapay sinir ağları ile tahminlenmesi
Prediction of rheological, textural, sensory properties and some other quality criteria of different chocolates using artificial neural networks
NURCANAN AYDIN