Cilt kanserinin sınıflandırılmasında derin öğrenme modellerinin performanslarının karşılaştırılması
Comparative analysis of deep learning models for skin cancer classification
- Tez No: 1019610
- Danışmanlar: PROF. KEMAL AKYOL
- Tez Türü: Yüksek Lisans
- Konular: Dermatoloji, Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Dermatology, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kastamonu Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmanın amacı, Uluslararası Cilt Görüntüleme İş Birliği 2018 veri kümesi kullanılarak dermoskopik cilt lezyonlarının sınıflandırılmasında evrişimsel sinir ağları ve dönüştürücü mimarileri derin öğrenme modellerinin performanslarını karşılaştırmaktır. Çalışma kapsamında EfficientNetB4, ConvNeXt-Tiny, ViT-B16 ve Swin-T mimarileri değerlendirilmiştir. Veri kümesinden melanom, nevüs, bazal hücreli karsinom, iyi huylu deri lezyonları olmak üzere dört sınıf altında ele alınmıştır ve veriler eğitim, doğrulama ve test kümeleri olarak sırasıyla %70, %10 ve %20 oranında ayrılmıştır. Modellerin performanslarını karşılaştırmak amacıyla iki eğitim senaryosu gerçekleştirilmiştir. Buna göre, eğitim sürecinde sınıf dengesizliğinin etkisini azaltmak amacıyla Ağırlıklı Rastgele Örnekleme yaklaşımı kullanılmıştır. Model performanslarının değerlendirilmesinde doğruluk, duyarlılık, kesinlik ve Makro F1 skoru kullanılmıştır. Deneysel sonuçlar, ağırlıklı rastgele örnekleme tekniğinin özellikle azınlık sınıflarda model performansını artırdığını göstermiştir. ESA mimarileri arasında ConvNeXt-Tiny mimarisi %95,12 doğruluk ve %85,51 Makro F1 skoru ile daha başarılı sonuçlar elde ederken, dönüştürücü mimarileri arasında Swin-T mimarisi %97,54 doğruluk ve %91,08 Makro F1 skoru ile çalışmanın en başarılı modeli olmuştur. Eğitim eğrileri, karışıklık matrisleri ve alıcı işlem karakteristiği incelendiğinde Swin-T mimarisinin daha kararlı bir öğrenme davranışı sergilediği ve cilt kanseri sınıflarını daha başarılı şekilde ayırt edebildiği görülmüştür.
Özet (Çeviri)
The aim of this study is to compare the performance of deep learning models, such as convolutional neural networks and transformer architectures, in the classification of dermoscopic skin lesions using the International Skin Imaging Collaboration 2018 dataset. Within the scope of the study, the EfficientNetB4, ConvNeXt-Tiny, ViT-B16, and Swin-T architectures were evaluated. The lesions in the dataset were categorized into four classes: melanoma, nevus, basal cell carcinoma, and benign skin lesions, and the data were split into training, validation, and test sets at ratios of 70%, 10%, and 20%, respectively. Two training scenarios were implemented to compare the models' performance. Accordingly, the Weighted Random Sampling approach was used during the training process to mitigate the impact of class imbalance. Accuracy, sensitivity, precision, and Macro F1 score were used to evaluate model performance. The experimental results demonstrated that the weighted random sampling technique improved model performance, particularly for minority classes. Among the ESA architectures, the ConvNeXt-Tiny architecture achieved more successful results with 95.12% accuracy and an 85.51% Macro F1 score, while among the transformer architectures, the Swin-T architecture emerged as the most successful model in this study with 97.54% accuracy and a 91.08% Macro F1 score. Upon examining the training curves, confusion matrices, and receiver operating characteristic (ROC) curves, it was observed that the Swin-T architecture exhibited more stable learning behavior and was able to distinguish skin cancer classes more effectively.
Benzer Tezler
- Cilt lezyonlarının sınıflandırılmasında yumuşak dikkat tabanlı çok modlu derin öğrenme modellerinin geliştirilmesi
Development of soft attention based multi-modal deep learning models for skin lesion classification
HUSSEIN MAHMOOD ABDO MOHAMMED
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMİN ARGUN ORAL
- Derin öğrenme için yenilikçi düzgünleştirme yaklaşımlarının geliştirilmesi ve medikal görüntülere uygulanması
Development of new regularization approaches for deep learning and application to medical images
KAZIM FIRILDAK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED FATİH TALU
DR. ÖĞR. ÜYESİ GAFFARİ ÇELİK
- Classification of melanoma malignancy in dermatology
Dermatolojide melanoma malignansının sınıflandırılması
BİLGE SÜHEYLA GAZİOĞLU
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Cilt kanseri sınıflandırması için hibrit derin öğrenme modellerinin geliştirilmesi
Development of hybrid deep learning models for skin cancer classification
İBRAHİM ARUK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET NUSRET TOPRAK
- Görüntü işleme ve derin öğrenme yöntemleri ile cilt kanseri teşhisi için karar destek sisteminin geliştirilmesi
Development of decision support system for skin cancer diagnosis with image processing and deep learning methods
CİHAN AKYEL
Doktora
Türkçe
2022
Yönetim Bilişim SistemleriGazi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. NURSAL ARICI