Comparative analysis of deep convolutional neural network models for classification of brain tumors
Beyin tümörlerinin sınıflandırılmasında derin evrişimli sinir ağı modellerinin karşılaştırmalı analizi.
- Tez No: 831498
- Danışmanlar: DR. ÖĞR. ÜYESİ ŞENOL PİŞKİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstinye Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 102
Özet
Bu çalışmanın amacı, beyin tümörlerini tespit etmek için farklı evrişimli sinir ağı (CNN) modellerinin performansını araştırmak ve karşılaştırmaktır. Çalışma, VGG, ResNet, DenseNet, EfficientNetv2, Xception, MobileNetv3 ve Inception gibi popüler CNN modellerinin performansını karşılaştırmaya ve“Brain Tumor MRI”veri kümesini kullanarak meningioma, pituitary ve glioma olmak üzere üç beyin tümörünün teşhisinde en etkili CNN modelini belirlemeye odaklanmaktadır. Bu çalışmada beyin tümörlerinin tespit edilmesi ve sınıflandırılması için derin öğrenme tabanlı bir yaklaşım geliştirilmiştir. Çalışmanın temel bileşenleri, veri seti ve öğrenme yaklaşımlarının olduğu aşamadır. 7022 görüntüden oluşan veri seti rastgele eğitim (%70), doğrulama (%15) ve test (%15) verileri olarak ayrılmıştır. Veri setine temel veri artırma teknikleri uygulanmış ve öğrenme aktarımı ile 20 CNN modeli test edilmiştir. Nesne sınıflandırması için literatürde yaygın olarak kullanılan CNN modelleri eğitilmiş ve değerlendirilmiştir. Tüm modellerin %95'in üzerinde doğruluğa sahip olduğu görülmüştür. En yüksek doğruluğa sahip model EfficientNetv2-Medium modelidir (%99,69 doğruluk, %99,68 F1-Skor) ve en düşük doğruluğa sahip model ise ResNeXt50'dir (%96,80 doğruluk). Bu çalışma, beyin tümörü hastalıklarının sınıflandırılması ve erken tespiti için CNN tabanlı modellerin kullanımının yararlı olabileceğini göstermektedir. Bu çalışma, beyin tümörü hastalıklarının tespiti ve sınıflandırılması için birçok derin öğrenme yaklaşımı kullanılarak oluşturulan modellerin test edilmesiyle gerçekleştirilmiştir. Sonuçlara göre, EfficientNetv2-Medium modeli beyin tümörü türlerini %99,69 test doğruluğu ile sınıflandırabilmiştir. Bu sonuçlar, bilgisayar destekli teşhis sistemlerinin beyin tümörü hastalıklarının erken teşhisi ve sınıflandırılması için etkili bir yöntem olabileceğini göstermektedir. Ayrıca, bu çalışmanın literatürdeki diğer çalışmalardan daha kapsamlı ve etkili olduğu belirtilmektedir. Bu çalışmanın sonuçları, doktorların ve radyoloji uzmanlarının gelecekteki problemlerde bilgisayar destekli teşhis sistemlerine daha fazla güvenebileceklerini göstermektedir.
Özet (Çeviri)
This study aims to investigate and compare the performance of different convolutional neural network (CNN) models for detecting and classifying Brain Tumors. The study focuses on comparing the performance of popular CNN models such as VGG, ResNet, DenseNet, Xception, EfficientNetv2, MobileNetv3, and Inception, and determining the most effective CNN model for diagnosing three types of brain tumors: meningioma, pituitary and glioma, using the“Brain Tumor MRI”dataset. In this study, a deep learning-based approach was developed for the detection and classification of brain tumors. The main components of the study are the Dataset unit, the Data Processing stage, and the Learning Approaches unit. The dataset, consisting of 7022 images, was divided into three parts random training (70%), validation (15%), and test (15%) data. Basic data augmentation techniques were applied to the dataset, and 20 CNN models were tested using transfer learning. Object classification CNN models have been trained and evaluated in the literature. It has been observed that all models achieve an accuracy of over 95%. The model with the highest accuracy is EfficientNetv2-Medium with 99.69% accuracy and 99.68% F1-Score, while the model with the lowest accuracy is ResNeXt50 with 96.80% accuracy. This study demonstrates the potential usefulness of CNN-based models for the classification and early detection of brain tumor diseases. This study was conducted by testing models created using various deep-learning approaches for detecting and classifying brain tumor diseases. According to the results, the EfficientNetv2-Medium model successfully classified all types of brain tumors with a test accuracy of 99.69%. These results indicate that computer-aided diagnostic systems can be an effective method for the early detection and classification of brain tumor diseases. When considering the number of models we have experimented with, this study is more comprehensive compared to other studies in the literature. The findings of this study demonstrate that doctors and radiology experts can have more confidence in computer-aided diagnostic systems in future cases.
Benzer Tezler
- Pirinç yaprak hastalıklarının sınıflandırılmasında derin evrişimli sinir ağı modellerinin karşılaştırmalı analizi
Comparative analysis of deep convolutional neural network models for classification of rice leaf diseases
ERKAN VEZİROĞLU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET COŞKUNÇAY
DR. ÖĞR. ÜYESİ İSHAK PAÇAL
- Mandibula fraktürlerinin panoramik radyografilerde tespiti ve anatomik sınıflandırılmasında iki farklı derin evrişimli sinir ağı modelinin karşılaştırmalı incelenmesi
Comparative analysis of two different deep convolutional neural network models in the detection and anatomical classification of mandibular fractures
YASEMİN KILIÇ
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiDicle ÜniversitesiAğız Diş ve Çene Cerrahisi Ana Bilim Dalı
DOÇ. DR. UTKU NEZİH YILMAZ
- Understanding users' neuro physical conditions for minimizing human oriented risks
Kullanicilarin nöro fiizksel durumlarini anlayarak insan odakli riskleri azaltmak
AYKUT GÜVEN
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDoğuş ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MİTAT UYSAL
PROF. DR. SELİM AKYOKUŞ
- Görüntü işleme ve derin öğrenme kullanarak yumurta tiplerinin ve durumunun tespiti
Detection egg types and state using image processing and deep learning
AYA MOHAMED HUSSEIN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTokat Gaziosmanpaşa ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BÜLENT TURAN
- Emlak fotoğraflarının kalite değerlendirilmesi: Derin öğrenme tabanlı bir yaklaşım
Quality assessment of real estate photographs: A deep learning-based approach
AKIN YAŞAR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DR. YÜKSEL YURTAY