Transfer öğrenme ve derin öğrenme kullanılarak beyin tümörü teşhisi
Diagnosis of brain tumor using transfer learning and deep learning methods
- Tez No: 956085
- Danışmanlar: PROF. DR. ZEYNEP ORMAN
- 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: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 75
Özet
Beyin tümörleri, erken teşhis gerektiren ciddi sağlık sorunlarından biridir. Son yıllarda yapay zekâ tabanlı yöntemler, tıbbi görüntüleme verilerinden tümör tespiti amacıyla yaygın biçimde kullanılmaya başlanmıştır. Ancak, sınırlı örnek sayısına sahip veri kümeleriyle çalışmak, doğru ve güvenilir teşhisi zorlaştırmaktadır. Bu tez çalışmasında, manyetik rezonans (MR) görüntülerinden beyin tümörü varlığını tespit etmek amacıyla, transfer öğrenme kullanılarak VGG16, InceptionV3, ResNet50, EfficientNetB0 ve MobileNetV2 mimarilerini temel alan derin öğrenme modelleri geliştirilmiştir. Tüm modellerde, önceden eğitilmiş yapılar üzerine özelleştirilmiş katmanlar eklenmiş; az sayıda veriyle daha güçlü genelleme başarısı elde edebilmek için veri artırımı ve ince ayar işlemi uygulanmıştır. Modelin eğitim ve doğrulama aşamalarında, Kaggle platformundan erişilen açık kaynaklı“Brain Tumor Dataset”kullanılmış; test aşamasında ise bu veri kümesine ek olarak,“Brain Tumor Classification through MRI”veri kümesinden örnekler de dâhil edilmiştir. Değerlendirme sonuçlarına göre, en yüksek başarıya ulaşan modeller VGG16 ve InceptionV3 olmuştur. VGG16 tabanlı model, %99.99 eğitim doğruluğu, %99.00 doğrulama doğruluğu ve %99.75 F1 skoru ile yüksek doğrulukta tespit ve genelleme performansı göstermiştir. InceptionV3 tabanlı model ise %99.87 eğitim doğruluğu, %99.50 doğrulama doğruluğu ve %99.75 F1 skoru ile benzer şekilde güçlü sonuçlar sunmuştur. Her iki modelde de negatif örneklerin tamamı doğru tahmin edilmiş, pozitif sınıfta ise yalnızca birer yanlış tahmin yapılmıştır; bu durum, modellerin duyarlılık ve özgüllük açısından dengeli ve güvenilir bir başarı sağladığını ortaya koymuştur. Bu çalışma ile, farklı transfer öğrenme mimarilerini temel alarak geliştirilen modellerin performansları kıyaslanmış ve beyin tümörlerinin otomatik, doğru ve erken tespitinde başarılı sonuçlar veren iki farklı model ile literatüre katkı sağlanmıştır.
Özet (Çeviri)
Brain tumors are serious health problems that require early diagnosis. In recent years, artificial intelligence-based methods have been widely used to detect tumors from medical imaging data. However, working with datasets that contain a limited number of samples makes accurate and reliable diagnosis difficult. In this thesis study, deep learning models based on transfer learning were developed using VGG16, InceptionV3, ResNet50, EfficientNetB0, and MobileNetV2 architectures to detect the presence of brain tumors from magnetic resonance (MR) images. In all models, customized layers were added on top of the pre-trained structures; to achieve stronger generalization performance with limited data, data augmentation and fine-tuning techniques were applied. During the training and validation stages, the open-source“Brain Tumor Dataset”accessed from the Kaggle platform was used; in the testing stage, in addition to this dataset, samples from the“Brain Tumor Classification through MRI”dataset were also included. According to the evaluation results, the models that achieved the highest performance were VGG16 and InceptionV3. The VGG16-based model demonstrated high detection accuracy and generalization performance with 99.99% training accuracy, 99.00% validation accuracy, and a 99.75 F1-score. Similarly, the InceptionV3-based model achieved strong results with 99.87% training accuracy, 99.50% validation accuracy, and a 99.75 F1-score. In both models, all negative samples were correctly predicted, and only one false negative prediction was made in the positive class; this indicates that the models provided balanced and reliable performance in terms of sensitivity and specificity. With this study, the performances of models based on different transfer learning architectures were compared, and two distinct models that achieved successful results in the automatic, accurate, and early detection of brain tumors were introduced to the literature.
Benzer Tezler
- Tümör tanılı farklı sekans manyetik rezonans görüntülerinin derin öğrenme modelleri ile sınıflandırılması
Classification of tumor diagnosed different sequence magnetic resonance with deep learning models
TÜRKAN DOĞANALP
Yüksek Lisans
Türkçe
2022
Bilim ve TeknolojiNecmettin Erbakan ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET ÜSAME ÖZİÇ
- 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
- 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
- A comprehensive framework for early tumor detection and quality control of MRI images using python
Erken tümör tespiti ve MRI görüntülerinin kalite kontrolü için kapsamlı bir çerçeve Python kullanımı
HUDA MOHSİN HADİ SHUJAIRI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. İSKENDER AKKURT
- 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