SKIN CANCER DETECTION USING DEEP LEARNING MODELS
DERİN ÖĞRENME MODELLERİ KULLANARAK CİLT KANSERİ TESPİTİ
- Tez No: 924169
- Danışmanlar: DR. ÖĞR. ÜYESİ Ayça KURNAZ TÜRKBEN
- Tez Türü: Yüksek Lisans
- Konular: Belirtilmemiş.
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çeşitli cilt hastalıkları kanser türleridir ve melanom en tehlikeli cilt kanseri türlerinden biridir. Tümörün erken evrede tespiti, hastaların sağ kalımını artırmaya ve tedavi masraflarını azaltmaya katkıda bulunur. Örneğin, gözlem ve biyopsi analizleriyle yapılan düzenli değerlendirmeler oldukça kapsamlı, fiziksel olarak invaziv ve yüksek düzeyde öznel hatalarla dolu olabilir. Son birkaç yılda yapılan çalışmalar, özellikle CNN'ler olmak üzere derin öğrenme modellerinin cilt kanseri tespitinde oldukça etkili olduğunu ve görevi manuel olarak üstlenirken meydana gelmesi muhtemel hataları azalttığını bulmuştur. Bu çalışma, dermoskopi görüntülerinden cilt kanseri tespitini artırmak için VGG19, DenseNet201, ResNet101V2 ve MobileNetV2 gibi mimari ağlarda derin öğrenme tekniklerini geliştirmede yapılan çalışmalara odaklanmaktadır. Mevcut çalışmanın hedefleri şunlardır: Birincisi, cilt kanseri tespitinde aşırı uyum sorunlarını belirlemek; ikincisi, yetersiz veri seti gibi mevcut modellerin sınırlamalarını tartışmak ve üçüncüsü, mevcut modeller arasında ayarlanabilir performans sorununu tartışmak. Bu tür derin öğrenme mimarisine ve ilgili çalışmalara ilişkin bir literatür incelemesine dayanarak, bu çalışma klinik uygulamada kullanım için hangi modelin daha uygun olduğunu belirlemeyi amaçlamaktadır. Ayrıca, aşırı uyumu önlemek ve veri artırma, transfer öğrenme ve
Özet (Çeviri)
Tez özet İngilizce ls Various skin diseases are kinds of cancer and melanoma is one of the most dangerous types of skin cancer. Tumor detection at an early stage contributes to increasing patients' survival and decreasing the treatment expenses. For instance, regular assessments by observation and biopsy analyses can be quite exhaustive, physically invasive packed with high levels of subjective errors. Studies performed over the past few years have found deep learning models, especially CNNs, to be highly effective in skin cancer detection, as well as reducing errors likely to occur when undertaking the task manually. This study focuses on works done in enhancing deep learning techniques on architectural networks like VGG19, DenseNet201, ResNet101V2, and MobileNetV2 for increased skin-cancer detection from dermoscopy images. The goals of the present work are as follows: First, to identify overfitting issues in skin cancer detection; second, to discuss the limitations of existing models, such as insufficient dataset, and third, to discuss the problem of tunable performance amongst existing models. Based on such deep learning architecture and a literature review on related works, this study seeks to determine which model is more appropriate for use in clinical practice. Also, we use certain strategies to avoid overfitting and enhance the model applicability over different populations including the data augmentation, transfer learning and regularization. Some of the challenges whereby solutions are proposed in this thesis include risks associated with large undiverse data, achieving a good balance between model complexity and model performance, and the explainability of deep learning models in diagnostics context. So, this work is advancing an agenda of increasing the gap between the levels of high accurate prognosis and clinically applicable diagnostic models for skin cancer with the purpose of assisting dermatologists in making more accurate and timely decisions concerning skin cancer diagnosis.
Benzer Tezler
- Skın cancer detectıon and classıfıcatıon usıng deep learnıng
Derin öğrenme kullanilarak cilt kanserinin tespiti ve siniflandirilmasi
ALZAHRAA YAHYA HAIDER HAIDER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GALİP CANSEVER
- Skin cancer detection and classification from dermatoscopic images using deep learning methods
Derin öğrenme yöntemleri kullanarak dermatoskopik görüntülerden otomatik cilt kanseri tespiti ve sınıflandırılması
SERDAR KALAYCI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT YILMAZ
- Comparative analysis of transfer learning models for skin cancer detection and prediction of potential skin diseases
Cilt kanseri tespiti ve potansiyel cilt hastalıklarının tahminine yönelik transfer öğrenme modellerinin karşılaştırmalı analizi
HASAN AL SHATER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
Prof. Dr. ALİ OKATAN
- Görüntü işleme ve derin öğrenme yöntemleri kullanılarak dermoskopik görüntülerden cilt kanseri tespiti
Detection of skin cancer from dermoscopic images using image processing and deep learning methods
BÜŞRA BERKCAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. MAHMUT ÖZTÜRK
- 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