Evrişimli sinir ağları ile akciğer kanseri sınıflandırması
Lung cancer classification with convolutional neural networks
- Tez No: 923484
- Danışmanlar: DOÇ. DR. MAHİR KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 64
Özet
Kanser kaynaklı ölümlerin önde gelen nedenlerinden biri olan akciğer kanseri, geç evrede teşhis edilmesi ve erken dönemdeki semptomların belirgin olmaması nedeniyle önemli bir halk sağlığı sorunu olmaya devam etmektedir. Önlenebilir ölümlerin azaltılabilmesi için erken ve doğru teşhis büyük bir öneme sahiptir. Bu çalışmada, akciğer kanseri teşhisi için Evrişimli Sinir Ağları (ESA) ve transfer öğrenme yöntemlerini kullanarak ileri teknikler araştırılmıştır. Çalışmanın başlangıcında, veri setindeki farklı akciğer kanseri hastalarına ait görüntüler birleştirilerek ve normal hastaların bilgisayarlı tomografi görüntüleriyle birlikte ikili sınıflandırma yapılmıştır. Bu aşamada, en iyi modeli belirlemek amacıyla farklı mimariler ve hiperparametre optimizasyonları kullanılarak deneyler gerçekleştirilmiştir. Deneyler sonucunda, mimariler arasında en iyi performans gösteren model %93 doğruluk oranı sağlamıştır. Bir sonraki aşamada, veri seti başlangıç haline getirilerek çoklu sınıflandırma yapılmış ve çeşitli optimizasyon algoritmalarının performansları karşılaştırılmıştır. Optimizasyon algoritmaları olarak; Adam, SGD, RMSprop, Adadelta, Adagrad, Adamax ve Nadam algoritmaları kullanılmış ve Adam algoritması ile %87 doğruluk oranı elde edilmiştir. Aynı çalışma, veri setindeki verilerin artırılması yoluyla daha fazla akciğer görüntüsü kullanılarak tekrar edilmiştir ve RMSprop optimizasyon algoritması ile %96 doğruluk oranına ulaşılmıştır. Ayrıca, mevcut veri seti üzerinde transfer öğrenme kullanılarak son teknoloji modeller eğitilmiş ve test doğrulukları elde edilmiştir. Önerilen yöntem hem transfer öğrenme tabanlı yaklaşımlardan hem de literatürdeki benzer çalışmalardan daha yüksek doğruluk değerlerine ulaşmıştır. Geliştirilen model başarılı sonuçlar vererek doktorların karar verme sürecine katkı sağlayacaktır.
Özet (Çeviri)
Lung cancer, one of the leading causes of cancer-related deaths, remains an important public health problem because it is diagnosed at a late stage and early symptoms are not prominent. Early and accurate diagnosis is of great importance to reduce preventable deaths. In this study, we investigate advanced techniques for lung cancer diagnosis using Convolutional Neural Networks (CNNs) and transfer learning methods. At the beginning of the study, binary classification was performed by combining the images of different lung cancer patients in the dataset with the computed tomography images of normal patients. At this stage, experiments were conducted using different architectures and hyperparameter optimizations to determine the best model. As a result of the experiments, the best performing model among the architectures achieved 93% accuracy. In the next stage, the data set was initialised and multiclassed and the performances of various optimisation algorithms were compared. As optimization algorithms; Adam, SGD, RMSprop, Adadelta, Adagrad, Adamax and Nadam algorithms were used and an accuracy rate of 87% was obtained with the Adam algorithm. The same study was repeated using more lung images by increasing the data in the dataset and an accuracy of 96% was achieved with the RMSprop optimization algorithm. Furthermore, state-of-the-art models were trained using transfer learning on the existing dataset and test accuracies were obtained. The proposed method achieved higher accuracy values than both transfer learning based approaches and similar studies in the literature. The developed model will contribute to the decision-making process of doctors by providing successful results.
Benzer Tezler
- Breast cancer diagnosis in histopathological images using autoencoder-enhanced convolutional neural network
Histopatolojik görüntülerde meme kanseri teşhisi için otokodlayıcı ile geliştirilmiş evrişimsel sinir ağı kullanımı
İSMAİL İÇME
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- 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
- Tıbbi görüntü işleme ile akciğer grafisinde COVID-19 pozitif tespiti için veri madenciliği ve derin öğrenme yöntemlerinin performanslarının incelenmesi
Investigation of the performance of data mining and deep learning methods for COVID-19 positive detection in lung graph with medical image processing
FATMA GÜL KURT
Yüksek Lisans
Türkçe
2022
BiyoistatistikHacettepe ÜniversitesiBiyoistatistik Ana Bilim Dalı
DOÇ. DR. JALE KARAKAYA KARABULUT
- Evrişimsel sinir ağları kullanarak cilt kanseri risk değerlendirmesi
Skin cancer risk assessment using convolutional neural network
SARMAD MOHSEN ALI HURMUZI
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN UĞUZ