Skin cancer classificatıon using deep learning and transfer learning
Derin öğrenme ve transferöğrenme kullanılarak ciltkanserinin sınıflandırılması
- Tez No: 884221
- Danışmanlar: YRD. DOÇ. DR. SHAHRAM TAHERİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Antalya Bilim Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 65
Özet
Bu çalışma, görüntü sınıflandırma görevleri için tıbbi görüntüleme bağlamında DenseNet121, ResNet101 ve InceptionV3 olmak üzere önde gelen üç derin öğrenme modelinin kapsamlı bir değerlendirmesini gerçekleştirdi. İtici güç olarak doğru ve etkili teşhise yönelik kritik ihtiyaç nedeniyle çalışmamızın amacı, çeşitli sınıflarda hassasiyet ve geri çağırma arasında bir denge sağlamak için en etkili modeli belirlemekti. Çalışmada çok çeşitli tıbbi durumları kapsayan çeşitli bir veri kümesini içeren titiz bir metodoloji kullanıldı. Modeller, önemli performans ölçümlerinin dikkatle izlenmesiyle 60 dönem boyunca eğitildi ve değerlendirildi. DenseNet121 modeli daha yüksek hassasiyet ve geri çağırma göstererek %82'lik bir doğrulukla hem ResNet101'in hem de InceptionV3'ün performansını geride bıraktı. DenseNet121, özellikle kritik tıbbi durumların sınıflandırılmasında öne çıkarak, belirli sınıflar için f1 puanı açısından dikkate değer bir performans sergiledi. Çalışmamızın sonuçları, tıbbi görüntülerin analizi için uygun bir derin öğrenme çerçevesi seçmenin önemini vurgulamaktadır. Modeller arasında performans ölçümlerindeki ince farklılıklar, tıp alanının özel taleplerini dikkate alarak model seçiminde kişiselleştirilmiş bir yaklaşımın önemini vurgulamaktadır. Sonuç olarak bu çalışma, tıbbi görüntü sınıflandırma çabaları bağlamında derin öğrenme algoritmaları arasında gözlemlenen karmaşık performans eşitsizliklerine ışık tutmaktadır. Her modelin tanımlanmış güçlü ve zayıf yönleri, ilgili alandaki profesyoneller ve akademisyenler için önemli bilgiler sunmaktadır. Daha sonraki araştırma çabaları, sınıflandırmanın doğruluğunu artırmak için model parametrelerinin iyileştirilmesine, topluluk yöntemlerinin incelenmesine ve alana özgü özelliklerin entegrasyonuna odaklanabilir.
Özet (Çeviri)
This study engaged in a thorough assessment of three leading deep learning models, namely DenseNet121, ResNet101, and InceptionV3, in the context of medical imaging for image classification tasks.With the critical need for accurate and efficient diagnosis as the driving force, the objective of our study was to determine the most effective model for achieving a balance between precision and recall across various classes. The study utilized a rigorous methodology, incorporating a diverse dataset that encompassed a wide range of medical conditions. The models were trained and evaluated over a span of 60 epochs, with careful monitoring of crucial performance metrics. The DenseNet121 model demonstrated higher precision and recall, resulting in an accuracy of 82%, surpassing the performance of both ResNet101 and InceptionV3. DenseNet121 exhibited remarkable performance in terms of f1-score for specific classes, notably excelling in the classification of critical medical conditions. The results of our study emphasize the significance of choosing a suitable deep learning framework for the analysis of medical images. The subtle variations in performance metrics across the models underscore the importance of a personalized approach to model selection, considering the specific demands of the medical field. Ultimately, this study illuminates the intricate performance disparities observed among deep learning algorithms in the context of medical image classification endeavors. The delineated strengths and weaknesses of each model offer significant insights for professionals and scholars in the respective field. Subsequent research efforts may focus on the refinement of model parameters, examination of ensemble methods, and integration of domain-specific features to augment the accuracy of classification.
Benzer Tezler
- A novel approach for hair removal in skin cancer images to enhance segmentation and classification performance.
Deri kanseri görüntülerinin sınıflandırma ve bölütleme performansını artırmak için kıl gidermede yeni bir yaklaşım
AYYAD ERRAJI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. ZAFER İŞCAN
- Derin öğrenme için yenilikçi düzgünleştirme yaklaşımlarının geliştirilmesi ve medikal görüntülere uygulanması
Development of new regularization approaches for deep learning and application to medical images
KAZIM FIRILDAK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED FATİH TALU
DR. ÖĞR. ÜYESİ GAFFARİ ÇELİK
- Dermoskopik görüntülerden melanomanın derin evrişimsel sinir ağları ile teşhisi
Diagnosis of melanoma in dermoscopic images with deep convolutional neural networks
ENES AYAN
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİL MURAT ÜNVER
- Cilt kanserinin siniflandirilmasi için derin öğrenme modellerinin kullanilmasi
Using deep learning architectures for skin cancer classification
BAFREEN ABDULJABBAR MOHAMMED MOHAMMED
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTokat Gaziosmanpaşa ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
ASSOCIATE PROFESSOR. ÖZKAN İNİK
- Görüntü işleme ve derin öğrenme yöntemleri ile cilt kanseri teşhisi için karar destek sisteminin geliştirilmesi
Development of decision support system for skin cancer diagnosis with image processing and deep learning methods
CİHAN AKYEL
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. NURSAL ARICI