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
- Evolutionary feature optimization for plant leaf disease detection by deep neural networks
Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu
JALAL SADOON HAMEED AL BAYATI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. BURAK BERK ÜSTÜNDAĞ
- Data-driven design and analysis of next generation mobile networks for anomaly detection and signal classification with fast, robust and light machine learning
Hızlı, Sağlam ve Hafif Makine Öğrenmesi ile Anormallik Algılaması ve Sinyal Sınıflandırması için Yeni Nesil Mobil Ağların Veriye Dayalı Tasarımı ve Analizi
MUHAMMED FURKAN KUCUK
Doktora
İngilizce
2022
Elektrik ve Elektronik MühendisliğiUniversity of South FloridaHaberleşme Ana Bilim Dalı
DOÇ. DR. İSMAİL UYSAL
- A comparative analysis of deep learning architectures for breast cancer detection in ultrasound imaging
Ultrason görüntülemede meme kanserinin tespitine yönelik derin öğrenme mimarisinin karşılaştırmalı bir analizi
MUHAMMAD ARSALAN IRSHAD
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiAntalya Bilim ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. YUSUF ÖZTÜRK
- A comparative study of deep learning techniques in concrete crack detection: Convolutional neural networks and logistic regression
Beton çatlağı tahminde derin öğrenme yöntemlerinin kıyaslamalı bir çalışması: Evrişimsel sinir ağları ve lojistik regresyon
AZHI YASSIN RASUL
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. FADİME YÜKSEKTEPE