Derin öğrenme teknikleri ile beyin tümörü tespiti ve sınıflandırılması
Brain tumor detection and classification with deep learning techniques
- Tez No: 953770
- Danışmanlar: PROF. DR. MURTAZA ÖZGÜR YENİAY, DR. ÖĞR. ÜYESİ ÖZNUR ÖZALTIN
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 83
Özet
Beyin, insan vücudunun en karmaşık organıdır ve beyinde meydana gelebilecek hastalıklar tüm vücudu doğrudan etkilemektedir. Görüntüleme teknikleri, beyin aktivitesini haritalamak için uzmanlar tarafından yaygın olarak kullanılmaktadır. Gelişmiş görüntü işleme algoritmalarına sahip beyin görüntüleme teknikleri, serebrovasküler ve nörodejeneratif hastalıklar gibi çeşitli hastalıkların takibi ile birlikte tümörlerin ve kanserin erken teşhisinde önemli bir rol oynamaktadır. Beyin fonksiyonlarında herhangi bir bozulma varsa bu tekniklerin yardımıyla sorunun hangi bölgede olduğu tespit edilebilmektedir. Bu teknikler, zaman içerisinde beyin görüntüleme alanında devrim yaratarak tıp uzmanlarının beynin yapısal ve işlevsel yönlerini doğru bir şekilde görselleştirmesini ve analiz etmesini sağlamıştır. Bu tezde de derin öğrenme metodolojilerinden evrişimli sinir ağları mimarileri, klasik makine öğrenmesi sınıflandırıcı algoritmaları ve öznitelik seçim yöntemlerinden Boruta algoritması kullanılarak beyin görüntülerinde tümör tespiti ve sınıflandırılması çalışılarak mevcut metodolojilerin değerlendirilmesi ve karşılaştırılmalı bir analizinin sunulması amaçlanmaktadır. Tezdeki çalışmalar, bulguların güvenilirliğini artırmak amacıyla farklı sayıda görüntülere ve sınıflara sahip olan 4 farklı veri seti üzerinde uygulanmıştır. Çalışılan metodoloji ise ilk aşamada evrişimli sinir ağlarının (CNN) eğitimi, ikinci aşamada CNN tabanlı öznitelik çıkarımı ile klasik makine öğrenmesi sınıflandırıcı algoritmalarının eğitimi ve son aşamada bunlara ek olarak Boruta öznitelik seçim algoritmasının uygulanması olmak üzere üç yaklaşım halinde kategorize edilerek yüz ellinin üzerinde modele ait bulgular sunulmuştur. Elde edilen bulgular incelenerek her bir veri setine ait model sonuçları değerlendirildiğinde ilk olarak 15 sınıf içermesiyle ve görüntü sayıları açısından dengesiz yapısıyla çalışılması zor bir veri seti olan ilk veri setine ait en yüksek doğruluğa 0.9403 değeri ile MobileNetV3 + SVM hibrit modeli, iki sınıflı olan ikinci veri setine ait en yüksek doğruluğa 0.9908 değeri ile DenseNet201 + LR hibrit modeli, 4 sınıflı ve dengeli yapıdaki üçüncü veri setine ait en yüksek doğruluğa 0.9954 değeri ile DenseNet201 + SVM modeli ile ve 5 sınıflı yapıya sahip son veri setine ait en yüksek doğruluğa ise yeni mimarilerden biri olan FibonacciNet modelinin 0.95 doğruluk değeri ile ulaşıldığı kaydedilmiştir.
Özet (Çeviri)
Brain is the most complex organ of the human body and diseases that may occur in the brain can directly affect the entire body. Imaging techniques are widely used by experts to map brain activity. Brain imaging techniques with advanced image processing algorithms play an important role in the early diagnosis of tumors and cancer, as well as in the follow-up of various diseases such as cerebrovascular and neurodegenerative diseases. If there is any deterioration in brain functions, these techniques can help pinpoint the specific area of the problem. Over time, these techniques have revolutionized the field of brain imaging, allowing medical experts to accurately visualize and analyze the structural and functional aspects of the brain. This thesis aims to evaluate and comparatively analyze existing methodologies by studying tumor detection and classification in brain images using convolutional neural network architectures from deep learning methods, classical machine learning classifier algorithms and the Boruta algorithm from feature selection methods. The studies in this thesis were applied to four different datasets with varying numbers of images and classes to increase the reliability of the findings. The methodology studied is categorized into three approaches: the first stage involves training convolutional neural networks (CNNs), the second stage involves training classical machine learning classifier algorithms with CNN-based feature extraction and the final stage involves additionally applying the Boruta feature selection algorithm. Findings for over one hundred and fifty models are presented. When the obtained findings were examined and the model results for each dataset were evaluated, it was noted that the highest accuracy for the first dataset, which was difficult to work with due to its 15-class and unbalanced image count, was achieved with the MobileNetV3 + SVM hybrid model with a value of 0.9403. The highest accuracy for the second dataset, which had two classes, was achieved with the DenseNet201 + LR hybrid model with a value of 0.9908. The highest accuracy for the third dataset, which had a balanced structure with four classes, was achieved with the DenseNet201 + SVM model with a value of 0.9954. And lastly, the highest accuracy recorded for the final dataset, which had a structure with five classes, was achieved with the FibonacciNet model, one of the newer architectures, with an accuracy value of 0.95.
Benzer Tezler
- Comparative analysis of deep convolutional neural network models for classification of brain tumors
Beyin tümörlerinin sınıflandırılmasında derin evrişimli sinir ağı modellerinin karşılaştırmalı analizi.
OZAN AKHAN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstinye ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞENOL PİŞKİN
- Evrişimli sinir ağları (ESA) ile beyin tümörü tespiti
Brain tumor detection with convolutional neural networks (CNN)
ALİ GÜLSOY
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gedik ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞERİFE ESRA DİNÇER
DR. ÇİĞDEM GÜNDOĞAN TÜRKER
- Beyin tümörlerinin sınıflandırılmasında derin öğrenme yöntemleri ile glioblastoma tümörünün tespiti ve evrim analizi
Detection and evolution analysis of glioblastoma tumor in brain tumor classification using deep learning
RASHID HAMIDOV
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FERHAT ATASOY
- Beyaz cevher hiperintensitelerinin derin öğrenme teknikleri kullanılarak beyin manyetik rezonans görüntülerinden otomatik tespiti
Automatic detection of white matter hyperintensities using deep learning techniques on brain magnetic resonance images
GÖKHAN UÇAR
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- Detection of cancerous brain cells with machine learning
Makine öğrenimi ile kanserli beyin hücrelerinin tespiti
UYGAR CANKAT
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TANER DANIŞMAN