Vision transformer tabanlı modeller kullanılarak gastrointestinal endoskopik görüntülerin çok sınıflı sınıflandırılması
Multi-class classification of gastrointestinal endoscopic images using vision transformer-based models
- Tez No: 1019803
- Danışmanlar: PROF. DR. HÜSEYİN ÖZGÜR KAZANCI, DOÇ. DR. OKAN ORAL
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Gastrointestinal endoskopik görüntülerin otomatik sınıflandırılması, bilgisayar destekli tanı ve karar destek sistemleri açısından önemli bir araştırma alanıdır. Bu tez çalışmasında, Kvasir v2 veri setinde yer alan sekiz sınıfa ait endoskopik görüntülerin çok sınıflı sınıflandırılması amacıyla hafif Vision Transformer tabanlı modeller karşılaştırmalı olarak incelenmiştir. Çalışmada DaViT-Tiny, DeiT-Tiny, Swin-Tiny, MobileViT-S ve LeViT-128S modelleri aynı veri bölme yapısı, aynı ön işleme adımları ve aynı eğitim koşulları altında değerlendirilmiştir. Veri seti %70 eğitim, %15 doğrulama ve %15 bağımsız test kümesi olarak ayrılmıştır. Modeller, ImageNet üzerinde önceden eğitilmiş ağırlıklarla başlatılmış; Kvasir v2 veri setindeki sekiz sınıfa uygun yeni sınıflandırma başlıkları eklenerek transfer öğrenme ve fine-tuning yaklaşımıyla eğitilmiştir. Eğitim sürecinde AdamW optimizasyon algoritması, Cosine Annealing öğrenme oranı çizelgesi, veri artırma ve erken durdurma yöntemleri kullanılmıştır. Deneysel sonuçlara göre, en yüksek bağımsız test başarımı DeiT-Tiny modeli ile elde edilmiştir. Bu model %93,50 test doğruluğu, 0,9349 F1-Makro skoru ve 0,9258 MCC değeri ile en dengeli model olarak öne çıkmıştır. Swin-Tiny modeli %93,17 test doğruluğu ile yakın bir performans göstermiştir. Çalışmada ayrıca Grad-CAM tabanlı açıklanabilir yapay zeka analizi kullanılarak modellerin karar verirken görüntüde hangi bölgelere odaklandığı incelenmiş ve eğitilen modellerin tekil görüntüler üzerindeki tahminlerini göstermek amacıyla etkileşimli bir çıkarım arayüzü geliştirilmiştir. Sonuç olarak bu çalışma, hafif Vision Transformer tabanlı modellerin gastrointestinal endoskopik görüntülerin çok sınıflı sınıflandırılmasında yüksek başarı sağlayabildiğini ve Grad-CAM ile desteklendiğinde daha yorumlanabilir bir değerlendirme çerçevesi sunabildiğini göstermektedir.
Özet (Çeviri)
Automatic classification of gastrointestinal endoscopic images is an important research area for computer-aided diagnosis and clinical decision support systems. This thesis investigates the performance of lightweight Vision Transformer-based models for the multi-class classification of gastrointestinal endoscopic images using the Kvasir v2 dataset, which contains eight different endoscopic image classes. Five models were compared in this study: DaViT-Tiny, DeiT-Tiny, Swin-Tiny, MobileViT-S, and LeViT-128S. All models were evaluated under the same data split, preprocessing pipeline, and training conditions. The dataset was divided into 70% training, 15% validation, and 15% independent test sets. The models were initialized with ImageNet pretrained weights, their original classification heads were replaced with new heads suitable for the eight-class task, and they were trained using transfer learning and fine-tuning. AdamW optimization, Cosine Annealing learning rate scheduling, data augmentation, and early stopping were used during training. The experimental results showed that DeiT-Tiny achieved the best overall performance, with a test accuracy of 93.50%, an F1-Macro score of 0.9349, and an MCC value of 0.9258. Swin-Tiny achieved a comparable test accuracy of 93.17%. In addition, Grad-CAM-based explainable artificial intelligence analysis was applied to visually examine the image regions that influenced model decisions. An interactive inference interface was also developed to display the predictions of the trained models on individual endoscopic images. In conclusion, this study demonstrates that lightweight Vision Transformer-based models can achieve strong performance in multi-class gastrointestinal endoscopic image classification. The integration of Grad-CAM and the interactive interface provides a more interpretable and practically applicable evaluation framework.
Benzer Tezler
- Endoskopik görüntülerden polip segmentasyonu ve gastrointestinal bulguların sınıflandırılması: Transformers ve hibrit modellerin etkinliği
Polyp segmentation and classification of gastrointestinal findings from endoscopic images: The effectiveness of transformers and hybrid models
BENGİSU UNGAN EKER
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATMA ZEHRA SOLAK
- Multiple sclerosis(MS) hastalık teşhisi için yapay zeka tabanlı klinik karar destek tasarımı
Artificial intelligence-based clinical decision support design for multiple sclerosis (MS) disease diagnosis
ELİF İREM KILIÇ
Yüksek Lisans
Türkçe
2026
Mühendislik BilimleriFırat ÜniversitesiElektronik Ana Bilim Dalı
PROF. DR. HASAN GÜLER
- Vision-based detection and recognition of maritime objects for autonomous surface navigation
Otonom deniz seyrüseferi için görüntü tabanlı engel tespiti ve gemi sınıflandırma
SEVDA SAYAN YONCA
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Investigation of vision transformers in medical image captioning using deep learning
Derin öğrenme kullanarak medikal görüntü açıklamada görüntü dönüştürücülerinin incelenmesi
WISAM RAMADAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BAHRİYE AKAY
- Yapay zekâ teknikleri kullanılarak hastalıkların teşhisi için beyaz kan hücre tiplerinin ayrıştırılması
Separation of white blood cell types for disease diagnosis using artificial intelligence techniques
AHMET İLTERİŞ KAK
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMalatya Turgut Özal ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. MUHAMMED YILDIRIM