Comparative analysis of deep learning and traditional machine learning for brain tumor classification in MRI scans
MRI taramalarında beyin tümörü sınıflandırması için derin öğrenme ve geleneksel makine öğreniminin karşılaştırmalı analizi
- Tez No: 951463
- Danışmanlar: DR. ÖĞR. ÜYESİ FEHİM KÖYLÜ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
MRI taramalarında beyin tümörlerinin otomatik olarak tanımlanması, tıbbi görüntüleme alanında zor ve önemli bir problemdir. Bu araştırma, tümör sınıflandırması amacıyla geleneksel makine öğrenimi tekniklerini (Rastgele Orman, AdaBoost ve XGBoost) VGG19, ResNet50, DenseNet121, EfficientNetB0 ve MobileNetV2 gibi geslişmiş derin öğrenme modelleriyle karşılaştırmaktadır. Değerlendirilen her model için doğruluğu, kesinliği, geri çağırmayı ve F1 puanını ölçmek amacıyla Kaggle'dan alınan 2.870 MRI görüntüsünden oluşan bir koleksiyonla beş katlı çapraz doğrulama çalışması yürütülmüştür. Geleneksel tekniklerle yan yana getirildiğinde derin öğrenme çerçevelerinde önemli bir gelişme olmuştur; DenseNet121, %99,2'lik en yüksek F1 puanına ve %98,6'lık en yüksek doğruluğa ulaşmıştır. VGG19 ve MobileNetV2 de iyi performans göstermiş ve MobileNetV2 %100 Geri Çağırma elde etmiştir. XGBoost, %96,7 Doğruluk ve F1 Puanı ile diğer makine öğrenimi modellerini geride bıraktı. Sonuçlar, özellikle DenseNet121 olmak üzere derin öğrenme yöntemlerinin sınıflandırma görevleri için klasik algoritmalardan daha etkili olduğunu göstermektedir.
Özet (Çeviri)
The automatic identification of brain tumors in MRI scans is a challenging and important problem in the field of medical imaging. This research compares traditional machine learning techniques (Random Forest, AdaBoost, and XGBoost) with advanced deep learning models such as VGG19, ResNet50, DenseNet121, EfficientNetB0, and MobileNetV2 for the purpose of tumor classification. A five-fold cross-validation study was conducted with a collection of 2,870 MRI images sourced from Kaggle to measure the accuracy, precision, recall, and F1 score for each model evaluated. There has been notable enhancement in deep learning frameworks when juxtaposed with conventional techniques; DenseNet121 achieved the utmost F1 score of 99.2% and the peak accuracy at 98.6%. VGG19 and MobileNetV2 also performed well, with MobileNetV2 achieving 100% Recall. XGBoost outperformed the other machine learning models, with 96.7% Accuracy and F1 Score. The results imply that deep learning methods, particularly DenseNet121 are more effective than classic algorithms for classification tasks.
Benzer Tezler
- Software defect prediction performance monitoring of deep and machine learning models on NASA promise datasets
NASA promise veri setlerinde derin ve makine öğrenme modellerinin yazılım hata tahmini performansının izlenmesi
ABDULLAH AKRAM SHAKIR AL BAYATI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEFER KURNAZ
- Derin öğrenme algoritmaları ile personel geri bildirimlerinin sınıflandırılması ve analizi
Classification and analysis of employee feedback with deep learning algorithms
GÖKHAN YİĞİDEFE
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN
- Design and deployment of deep learning based fuzzy logicsystems
Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması
AYKUT BEKE
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Core network anomaly detection using the LSTM model and comparison with various unsupervised learning methods
Telekomünikasyon merkezi şebekelerinde LSTM model ile anomali tespiti ve bazı denetimsiz öğrenme metotları ile kıyaslanması
SAMED ÇALIK
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- A comparative study of deep learning techniques in concrete crack detection: Convolutional neural networks and logistic regression
Beton çatlağı tahminde derin öğrenme yöntemlerinin kıyaslamalı bir çalışması: Evrişimsel sinir ağları ve lojistik regresyon
AZHI YASSIN RASUL
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. FADİME YÜKSEKTEPE