A hybrid transfer learning model for brain tumor classification
Beyin tümörü sınıflandırması için hibrit transfer öğrenme modeli
- Tez No: 849738
- Danışmanlar: PROF. DR. SERDAR YILDIRIM, DOÇ. DR. YASİN KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Adana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 61
Özet
Beyin tümörleri dünya çapında en yaygın ve ölümcül hastalıklardan biridir. Hastanın yaşam beklentisini uzatmak için beyin tümörlerini erken aşamada tespit etmek çok önemlidir. Ancak, beyin tümörlerini manuel olarak sınıflandırmak zor ve zaman alıcı bir iştir. Bu çalışmada beyin tümörlerini otomatik olarak sınıflandırmak için hibrit transfer öğrenme modeli önerilmektedir.Önerilen yaklaşımın dört adımı ön işleme ve veri artırma, derin özellik çıkarımlarının birleşimi, ince ayar ve sınıflandırmadır. Önerilen model, halka açık dört genel veri setinde doğrulanmıştır: Br35H, Nickparvar, Figshare ve Sartaj. Önerilen model tüm veri setlerinde en yüksek doğruluk değerlerine ulaştı: Br35H'de %99.66, Figshare'de %97.56, Nickparvar'da %97.08, ve Sartaj'da %93.74. Önerilen model, beyin tümörlerinin sınıflandırılmasında diğer modern modellere göre daha etkili bir performansa sahiptir.
Özet (Çeviri)
Brain tumors are one of the most common and fatal diseases globally. It is crucial to detect brain tumors at an early stage to increase the patient's life expectancy. Nonetheless, classifying brain tumors manually is a difficult and time-consuming task. A hybrid transfer learning model is suggested in this study to classify brain tumors automatically. The four steps of the suggested approach are preprocessing and data augmentation, fusion of deep feature extractions, fine-tuning, and classification. VGG16, ResNet50, and MobileNetV2 CNN pre-trained models are fused to increase the number of informative features and reduce overfitting. The suggested model is validated on four public available datasets: Br35H, Nickparvar, Figshare, and Sartaj. The proposed model achieved the highest accuracy values in all datasets: 99.66% on Br35H, 97.56% on Figshare, 97.08% on Nickparvar, and 93.74% on Sartaj. The suggested model is more effective than other cutting-edge models in classifying brain tumors.
Benzer Tezler
- A hybrid biological/in silico neural network based brain-machine interface
Hibrit biyolojik/in silico sinir ağı temelli bir beyin-makine arayüzü
MEHMET KOCATÜRK
Doktora
İngilizce
2015
BiyomühendislikBoğaziçi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALBERT GÜVENİŞ
PROF. DR. HALİL ÖZCAN GÜLÇÜR
- FPGA üzerinde HYSA ve HYSA'ya özel öğrenme algoritmalarının birlikte gerçeklenmesi
Implementation of CNN and CNN specific learning algorithms on FPGA
ERDEM KÖSE
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
- Görüntü sınıflandırması için yapay sinir ağlarının analiz ve optimizasyonu
Analysis and optimization of artificial neural networks for image classification
OZAN ARSLAN
Doktora
Türkçe
2001
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiPROF. DR. OĞUZ MÜFTÜOĞLU
PROF. DR. CANKUT ÖRMECİ
- Classification of agricultural land cover using satellite imagery with deep learning
Derin öğrenme ile uydu görüntüleri kullanılarak tarımsal arazi örtüsünün sınıflandırılması
ABDULWAHEED ADEBOLA YUSUF
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GALİP AYDIN
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA