Cilt kanseri sınıflandırması için hibrit derin öğrenme modellerinin geliştirilmesi
Development of hybrid deep learning models for skin cancer classification
- Tez No: 909158
- Danışmanlar: DR. ÖĞR. ÜYESİ AHMET NUSRET TOPRAK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Evrişimli sinir ağları, Convolutional neural networks
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kanser, dünya çapında milyonlarca insanın yaşamını tehdit eden ve çeşitli organları etkileyen ölümcül bir hastalıktır. En sık rastlanan kanser türlerinden biri olan cilt kanseri, erken evrede teşhis edilmediğinde ciddi sağlık sorunlarına ve ölüm riskine yol açabilmektedir. Cilt kanseri oluşumunda güneş ışığındaki ultraviyole radyasyon, sigara ve alkol kullanımı, genetik yatkınlık, belirli hastalıklar ve çevresel faktörler önemli rol oynamaktadır. Bu etmenler cilt hücrelerinin DNA'sına zarar vererek kanser gelişimine neden olabilmektedir. Bu nedenle, cilt kanserinin erken evrede teşhisi, hastalığın kontrol altına alınması ve tedavi süreçlerinde kritik bir öneme sahiptir. Bu tez çalışmasında, cilt kanseri sınıflandırması problemine yönelik üç yeni hibrit derin öğrenme modeli önerilmektedir. İlk modelde, dermoskopik görüntülerden farklı Evrişimsel Sinir Ağı (CNN) modelleri aracılığıyla derin öznitelikler çıkarılmakta ve öznitelik seçimi algoritmaları ile en anlamlı öznitelikler belirlenerek sınıflandırma yapılmaktadır. İkinci olarak, ConvNeXt blokları ile güçlendirilmiş MetaFormer tabanlı hibrit CAFormer modeli geliştirilmiştir. Bu model, CNN ve Görü Dönüştürücü (ViT) tabanlı mimarilerin güçlü yönlerini bir araya getirerek cilt kanseri sınıflandırmasını gerçekleştirmektedir. Son olarak, CNN ve ViT modelleri ile topluluk öğrenme tabanlı hibrit bir model önerilmiştir. Bu model dermoskopik görüntü sınıflandırmasını etkin bir şekilde sağlamaktadır. Önerilen modeller, literatürdeki güncel yaklaşımlar ile karşılaştırıldığında cilt kanseri sınıflandırmasında daha başarılı sonuçlar sergilemiştir.
Özet (Çeviri)
Cancer is a fatal disease that threatens the lives of millions worldwide and affects various organs. Among the most common cancer types, skin cancer can lead to severe health complications and an increased risk of mortality if not diagnosed at an early stage. Ultraviolet radiation from sunlight, smoking, alcohol consumption, genetic predisposition, certain diseases, and environmental factors play significant roles in the development of skin cancer. These factors can damage the DNA of skin cells, increasing the risk of cancer. Therefore, early diagnosis of skin cancer is crucial for controlling the disease and improving treatment outcomes. In this thesis, three novel hybrid deep learning models are proposed for addressing the skin cancer classification problem. In the first model, deep features are extracted from dermoscopic images using various Convolutional Neural Network (CNN) models, and classification is performed by selecting the most significant features through feature selection algorithms. Secondly, a hybrid CAFormer model based on a MetaFormer architecture enhanced with ConvNeXt blocks has been developed. This model integrates the advantages of CNN and Vision Transformer (ViT)-based architectures to perform skin cancer classification. Lastly, a hybrid ensemble learning-based model combining CNN and ViT architectures is proposed, offering an effective approach to dermoscopic image classification. The proposed models have demonstrated superior performance in skin cancer classification compared to state-of-the-art approaches in the literature.
Benzer Tezler
- Cilt lezyonlarının sınıflandırılmasında yumuşak dikkat tabanlı çok modlu derin öğrenme modellerinin geliştirilmesi
Development of soft attention based multi-modal deep learning models for skin lesion classification
HUSSEIN MAHMOOD ABDO MOHAMMED
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMİN ARGUN ORAL
- Skin lesion classification via hybrid localization-explainability approaches
Hibrit lokalizasyon-açıklanabilirlik yaklaşımları ile deri lezyonu sınıflandırması
HUMAM ABUALKEBASH
Doktora
İngilizce
2025
Mekatronik MühendisliğiKocaeli ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN METİN ERTUNÇ
- Hybrid detection techniques for skin cancer images
Başlık çevirisi yok
HASAN ABED HASAN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAHI ABDU IBRAHIM
- Derin öğrenme yöntemleri kullanılarak nesne tanıma ve sınıflandırma performansını arttırmak için yeni yaklaşımlar
New approaches to increase object recognition and classification performance using deep learning methods
MERVE KESİM ÖNAL
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ENGİN AVCI
- Skin cancer detection using CNN and random forest: A hybrid approach
CNN ve rastgele orman kullanarak cilt kanseri tespiti: Hibrit bir yaklaşım
NAJWA MOHAMMED SALEM SALEH AL-WESABI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ OKATAN