Cilt kanseri erken teşhisine yönelik swin transformer-resnet50 tabanlı hibrit sınıflandırma yaklaşımı
A hybrid classification approach based on swin transformer-resnet50 for early detection of skin cancer
- Tez No: 1024241
- Danışmanlar: PROF. DR. KADİR SABANCI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Deri hastalıkları, Sınıflandırma, Veri setleri, Yapay zeka, Skin diseases, Classification, Data sets, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Karamanoğlu Mehmetbey Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez kapsamında, dermoskopik görüntülerden deri lezyonlarının otomatik olarak sınıflandırılması amacıyla Swin Transformer, ResNet50 ve bu iki mimariden elde edilen özellik gösterimlerini birleştiren Swin Transformer-ResNet50 hibrit modeli karşılaştırmalı olarak değerlendirilmiştir. Önerilen hibrit yapıda, lezyon görüntülerini daha kapsamlı biçimde temsil etmek amacıyla Swin Transformer'ın kaydırılmış pencere tabanlı dikkat mekanizması ile ResNet50'nin evrişimsel özellik çıkarma yeteneği birlikte kullanılmıştır. Deneysel çalışmalar, yedi farklı deri lezyonu sınıfından oluşan HAM10000 veri seti üzerinde yürütülmüştür. Eğitim ve model seçimi süreçlerinde kullanılmayan test alt kümesinde Swin Transformer, ResNet50 ve hibrit model sırasıyla %90,41, %89,27 ve %90,61 sınıflandırma doğruluğu elde etmiştir. Modellerin ağırlıklı F1-skorları sırasıyla 0,9026, 0,8911 ve 0,9034; makro F1-skorları ise 0,8565, 0,8270 ve 0,8564 olarak hesaplanmıştır. Mikro ortalama AUC değerleri Swin Transformer için 0,992, ResNet50 için 0,990 ve hibrit model için 0,993 olarak elde edilmiştir. Sınıf dengesizliğinin etkilerini azaltmak amacıyla Focal Loss, standart geometrik ve renk tabanlı veri artırma yöntemleri, CutMix ve MixUp teknikleri kullanılmıştır. Elde edilen bulgular, hibrit modelin en yüksek genel test doğruluğu, ağırlıklı F1-skoru ve mikro ortalama AUC değerine ulaştığını göstermiştir. Bununla birlikte, Swin Transformer ile hibrit modelin makro F1-skorlarının birbirine oldukça yakın olduğu ve hibrit modelin tüm lezyon sınıflarında tekil modellerden daha yüksek performans göstermediği belirlenmiştir. Sonuçlar, CNN ve Transformer tabanlı özellik temsillerinin birleştirilmesinin genel sınıflandırma performansında sınırlı ancak ölçülebilir bir iyileşme sağlayabileceğini ortaya koymaktadır.
Özet (Çeviri)
In this thesis, Swin Transformer, ResNet50, and a Swin Transformer–ResNet50 hybrid model that integrates the feature representations obtained from these two architectures were comparatively evaluated for the automatic classification of skin lesions from dermoscopic images. In the proposed hybrid structure, the shifted window-based attention mechanism of Swin Transformer and the convolutional feature extraction capability of ResNet50 were jointly employed to represent lesion images in a more comprehensive manner. Experimental studies were conducted on the HAM10000 dataset, which consists of seven different skin lesion classes. On the test subset, which was not used during the training and model selection processes, Swin Transformer, ResNet50, and the hybrid model achieved classification accuracies of 90.41%, 89.27%, and 90.61%, respectively. The weighted F1-scores of the models were calculated as 0.9026, 0.8911, and 0.9034, respectively, while their macro F1-scores were 0.8565, 0.8270, and 0.8564, respectively. The micro-average AUC values were obtained as 0.992 for Swin Transformer, 0.990 for ResNet50, and 0.993 for the hybrid model. To reduce the effects of class imbalance, Focal Loss, standard geometric and color-based data augmentation methods, and the CutMix and MixUp techniques were employed. The findings showed that the hybrid model achieved the highest overall test accuracy, weighted F1-score, and micro-average AUC value. However, the macro F1-scores of Swin Transformer and the hybrid model were found to be very close to each other, and the hybrid model did not outperform the individual models across all lesion classes. The results indicate that combining CNN- and Transformer-based feature representations can provide a limited but measurable improvement in overall classification performance.
Benzer Tezler
- Removal of hair artifacts in skin lesion images and its impact on skin cancer detection
Cilt lezyon görüntülerde saç artefaktlarının çıkarılması ve cilt kanseri teşhis doğruluğuna etkisi
BERCESTE YILMAZ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiAdana Alparslan Türkeş Bilim ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AMİRA TANDİROVİÇ GÜRSEL
- Deri kanseri sınıflandırılmasında derin öğrenme modellerinin performans analizi
Performance analysis of deep learning models in skin cancer classification
MUSTAFA ADIGÜZEL
Yüksek Lisans
Türkçe
2025
DermatolojiAtatürk ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. YASEMİN GÜLTEPE
- 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
- Cilt kanseri teşhisinde derin öğrenme modelinin geliştirilmesi ve açıklanabilir yapay zekâ teknikleri ile yorumlanması
Development of a deep learning model for skin cancer diagnosis and its interpretation using explainable artificial intelligence techniques
HAVVA HAZEL ARAS
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NURETTİN DOĞAN
- 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