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: Belirtilmemiş.
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
- Makine öğrenmesi ve derin öğrenme teknikleri kullanılarak beyin tümörünün tespiti için hibrit bir model geliştirilmesi
Developing a hybrid model for brain tumor detection using machine learning and deep learning techniques
MEHR ALI QASIMI
Yüksek Lisans
Türkçe
2025
Selçuk ÜniversitesiBilişim Teknolojileri Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Derin öğrenme yöntemleriyle manyetik rezonans görüntülerinden beyin tümörlerinin sınıflandırılması
Classification of brain tumors from magnetic resonance images with deep learning methods
ERDOĞAN KÖKÜ
Yüksek Lisans
Türkçe
2026
Erzincan Binali Yıldırım ÜniversitesiYapay Zeka ve Robotik Ana Bilim Dalı
Yükleniyor...
- Nesne tespiti ve görüntü sınıflandırmada derin öğrenme modellerine dayalı yeni yöntemlerin geliştirilmesi
Development of novel deep learning-based methods for object detection and image classification
MALIKI MOUSTAPHA
- Maskelenmiş mr görüntülerinden önceden eğitilmiş transfer öğrenme yöntemleri kullanılarak beyin tümörlerinin sınıflandırılması
Classification of brain tumors from masked mr images using pre-trained transfer learning methods
AYŞENUR TOPBAŞ
Doktora
Türkçe
2025
İstanbul Sabahattin Zaim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Comparative analysi̇s of detection and classification of brain tumors using deep learning methods on MRI images
MR görüntülerinde derin öğrenme yöntemleri kullanılarak beyin tümörlerinin tespiti ve sınıflandırılmasının karşılaştırılmalı analizi
ALPER KAHRAMAN
Yüksek Lisans
İngilizce
2025
Ankara Yıldırım Beyazıt ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...