Geri Dön

Deri kanseri sınıflandırılmasında derin öğrenme modellerinin performans analizi

Performance analysis of deep learning models in skin cancer classification

PDF İndir

  1. Tez No: 942307
  2. Yazar: MUSTAFA ADIGÜZEL
  3. Danışmanlar: DOÇ. DR. YASEMİN GÜLTEPE
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Dermatoloji, Computer Engineering and Computer Science and Control, Dermatology
  6. Anahtar Kelimeler: Derin öğrenme, cilt kanseri, görüntü sınıflandırma, transfer öğrenme, AlexNet, DenseNet169, DenseNet201, EfficientNetB0, EfficientNetB4, ResNet50, ResNet101, ResNet152, VGG16, VGG19, PSO, HAM10000, ISIC2019, Deep learning, skin cancer, image classification, transfer learning, AlexNet, DenseNet169, DenseNet201, EfficientNetB0, EfficientNetB4, ResNet50, ResNet101, ResNet152, VGG16, VGG19, PSO, HAM10000, ISIC2019
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Atatürk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 113

Özet

Amaç: Bu tez çalışmasının amacı, cilt kanseri türlerinin otomatik sınıflandırılmasında çeşitli derin öğrenme mimarilerinin başarımlarını karşılaştırmak ve bu başarımların iyileştirilmesi adına Parçacık Sürü Optimizasyonu (PSO) temelli hiper parametre düzenlemelerinin etkisini analiz etmektir. Elde edilen bulgular aracılığıyla, farklı veri setlerinin boyut, sınıf dengesizliği ve örnek dağılımı gibi yapısal özelliklerinin hem model performansı hem de PSO'nun optimizasyon etkinliği üzerindeki etkileri değerlendirilmiş; bu değerlendirme sonucunda derin öğrenme tabanlı bilgisayarlı tanı sistemlerinin geliştirilmesine yönelik yeni çıkarımlar sunulması hedeflenmiştir. Yöntem: Tez kapsamında HAM10000 ve ISIC2019 dermoskopik görüntü veri setleri kullanılmıştır. Transfer öğrenme yaklaşımıyla, önceden eğitilmiş on model (AlexNet, DenseNet169/201, EfficientNetB0/B4, ResNet50/101/152, VGG16/19) her iki veri setiyle eğitilip test edilmiştir. En yüksek doğruluk sağlayan modeller üzerine PSO algoritması uygulanarak hiper parametreler (öğrenme oranı ve momentum) optimize edilmiştir. Ayrıca modeller yeniden eğitilip orijinal sürümleriyle karşılaştırılmıştır. Tüm model performansları, doğruluk, kesinlik, duyarlılık ve F1-skoru gibi metriklerle; ayrıca karışıklık matrisi, sınıflandırma raporları ve Alıcı İşlem Karakteristiği (AİK) eğrileri üzerinden ayrıntılı şekilde analiz edilmiştir. Bulgular: Elde edilen bulgular doğrultusunda, HAM10000 veri seti üzerinde en yüksek performansı gösteren modelin VGG16 olduğu tespit edilmiştir. Bu model üzerine uygulanan PSO algoritması, sınıflandırma performansında belirgin bir iyileşme sağlamıştır. Benzer şekilde, yüksek doğruluk oranına sahip bir diğer model olan ResNet152 için de PSO algoritmasının uygulanması, modelin başarı metriklerinde artışa yol açmıştır. Buna karşılık, ISIC2019 veri seti üzerinde yapılan değerlendirmelerde yine VGG16 modeli temel başarı açısından öne çıkmasına rağmen, PSO algoritması uygulandığında modelin başarımında düşüş yaşanmıştır. Benzer şekilde, bu veri setinde yüksek doğruluk sağlayan bir diğer model olan ResNet152 üzerine uygulanan PSO süreci de beklenen iyileştirmeyi sağlayamamıştır. Aksine, performans değerlerinde gerilemeye neden olmuştur. Sonuç: Derin öğrenme tabanlı yaklaşımlar, cilt kanseri sınıflandırma görevlerinde yüksek doğruluk oranlarıyla etkili sonuçlar sunmaktadır. Özellikle VGG16, VGG19 ve ResNet152 gibi gelişmiş mimariler, test verisi üzerindeki başarılarıyla öne çıkmıştır. Hiper parametre ayarlarında kullanılan PSO algoritması, HAM10000 gibi nispeten dengeli ve küçük veri setlerinde başarıyı artırırken, ISIC2019 gibi büyük ve dengesiz veri kümelerinde performans düşüşüne yol açmıştır. Bu durum, optimizasyonun başarısının veri setinin yapısal özelliklerine bağlı olduğunu göstermektedir. Bu tezde geliştirilen modellerden elde edilen sonuçlara göre dermatologlara tanı sürecinde destek olarak cilt kanserlerinin erken ve doğru teşhisinde fayda sağlayabileceği düşünülmektedir.

Özet (Çeviri)

Purpose: The aim of this thesis is to compare the performance of various deep learning architectures in the automatic classification of skin cancer types and to analyze the impact of Particle Swarm Optimization (PSO)-based hyperparameter adjustments on improving these performances. Through the findings obtained, the effects of structural characteristics of different datasets—such as size, class imbalance, and sample distribution on both model performance and the effectiveness of PSO optimization have been evaluated; as a result of this evaluation, it is aimed to present new insights for the development of deep learning-based computer-aided diagnosis systems. Method: In this thesis, the HAM10000 and ISIC2019 dermoscopic image datasets were used. Using the transfer learning approach, ten pre-trained models (AlexNet, DenseNet169/201, EfficientNetB0/B4, ResNet50/101/152, VGG16/19) were trained and tested on both datasets. The PSO algorithm was applied to the models with the highest accuracy in order to optimize the hyperparameters (learning rate and momentum). In addition, the models were retrained and compared with their original versions. All model performances were thoroughly analyzed using metrics such as accuracy, precision, recall, and F1-score, as well as through confusion matrices, classification reports, and Receiver Operating Characteristic (ROC) curves. Findings: Based on the findings, it was determined that the model with the highest performance on the HAM10000 dataset was VGG16. The application of the PSO algorithm to this model resulted in a significant improvement in classification performance. Similarly, applying the PSO algorithm to another model with high accuracy, ResNet152, led to an increase in the model's performance metrics. In contrast, in the evaluations conducted on the ISIC2019 dataset, while the VGG16 model again stood out in terms of overall performance, the application of the PSO algorithm resulted in a decrease in the model's performance. Similarly, the PSO process applied to ResNet152, another model that provided high accuracy on this dataset, did not achieve the expected improvement. On the contrary, it led to a decline in performance values. Results: Deep learning-based approaches have demonstrated high accuracy and effective results in skin cancer classification tasks. In particular, advanced architectures such as VGG16, VGG19, and ResNet152 have stood out with their performance on test data. The PSO algorithm, used for hyperparameter tuning, has improved performance on relatively balanced and small datasets like HAM10000, while causing a decline in performance on large and imbalanced datasets such as ISIC2019. This indicates that the success of optimization depends significantly on the structural characteristics of the dataset. Based on the results obtained from the models developed in this thesis, it is believed that they can assist dermatologists during the diagnostic process and contribute to the early and accurate detection of skin cancers.

Benzer Tezler

  1. Tez No

    732967

    Medikal görüntülerin ön-eğitilmiş derin öğrenme modelleriyle sınıflandırılmasında metasezgisel optimizasyon algoritmalarıyla öznitelik seçimi performanslarının karşılaştırılması

    Comparison of feature selection performances using metaheuristic optimization algorithms in classification of medical images with pre-trained deep learning models

    MELİSA BİÇER

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HAMZA EROL

  2. Tez No

    949334

    Derin öğrenme teknikleri kullanılarak cilt lezyonları için çok sınıflı sınıflandırma

    Multi-class classification for skin lesions using deep learning techniques

    ÜMMÜHAN KOPAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Biyomühendislikİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MÜRVET KIRCI

  3. Tez No

    709938

    Classification of melanoma malignancy in dermatology

    Dermatolojide melanoma malignansının sınıflandırılması

    BİLGE SÜHEYLA GAZİOĞLU

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  4. Tez No

    783838

    Skin lesion classification with machine learning

    Makine öğrenmesi ile cilt lezyonu sınıflandırması

    ESRA SENDEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

  5. Tez No

    874467

    Tıbbi teşhis için deri lezyonlarının segmentasyonu ve sınıflandırılması

    Segmentation and classification of skin lesions for medical diagnosis

    MERVE GÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AMANİ YUSUF

Geri Dön