Beyin tümörlerinin derin öğrenme, transfer öğrenme ve topluluk öğrenme ile sınıflandırılması
Classification of brain tumors using deep learning, transfer learning and ensemble learning
- Tez No: 958606
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMET SİNAN BAŞARSLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Tıbbi Biyoloji, Computer Engineering and Computer Science and Control, Medical Biology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Medeniyet Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyolojik Veri Bilimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 44
Özet
Beyin tümörlerinde tedavi başarısını artırmak için erken teşhis ve doğru sınıflandırma hayati önem taşımaktadır. Gelişen tıbbi görüntüleme teknikleri ve artan veri miktarıyla birlikte, bu verilerin değerlendirilmesinde bilgisayar destekli tanı sistemlerinin önemi giderek artmaktadır. Bu tez kapsamında, Figshare veri tabanından elde edilen açık kaynaklı manyetik rezonans (MR) görüntüleri kullanılarak, beyin tümörlerinin sınıflandırılmasına yönelik derin öğrenme tabanlı bir çalışma gerçekleştirilmiştir. Sınıflandırma süreci, gliom, meningiom ve hipofiz tümörü olmak üzere üç farklı tümör türünü kapsamaktadır. Çalışmada, sıfırdan model eğitimi yerine transfer öğrenme yöntemi tercih edilerek önceden eğitilmiş derin öğrenme modelleri kullanılmıştır. Bu doğrultuda, Inception, Xception, VGG, ResNet, DenseNet ve ConvNeXtBase gibi evrişimli sinir ağı (CNN) tabanlı modern mimariler uygulanarak sınıflandırma modelleri oluşturulmuş; bu modellerin performansları karşılaştırılmıştır. Ayrıca, farklı modellerin çıktılarını birleştirerek daha yüksek sınıflandırma doğruluğu elde etmek amacıyla topluluk öğrenme yöntemlerinden de yararlanılmıştır. Model geliştirme süreci TensorFlow kütüphanesi kullanılarak yürütülmüştür. Geliştirilen modellerin performansı doğruluk, kesinlik, özgüllük, duyarlılık, F-skoru ve Matthews Korelasyon Katsayısı (MCC) gibi metrikler ile değerlendirilmiş ve elde edilen sonuçlar literatürdeki benzer çalışmalarla karşılaştırılmıştır. VGG16 ve VGG19 modellerinin topluluk öğrenme ile gerçekleştirdiği sınıflandırmada, %99,02 doğruluk ve 0,985 MCC ile en yüksek performans elde edilmiştir.
Özet (Çeviri)
Early diagnosis and accurate classification play a vital role in improving treatment outcomes for brain tumors. With the advancement of medical imaging techniques and the increasing volume of data, the importance of computer-aided diagnosis systems for analyzing these data has been growing steadily. Within the scope of this thesis, a deep learning-based study was conducted to classify brain tumors using publicly available magnetic resonance (MR) imaging data obtained from the Figshare database. The classification process includes three different tumor types: glioma, meningioma, and pituitary tumor. Instead of training models from scratch, transfer learning was preferred by utilizing pre-trained deep learning models. Accordingly, convolutional neural network (CNN)-based modern architectures such as Inception, Xception, VGG, ResNet, DenseNet, and ConvNeXtBase were implemented to develop classification models, and their performances were compared. Furthermore, ensemble learning methods were employed to combine the outputs of different models in order to achieve higher classification accuracy. The model development process was carried out using the TensorFlow library. The performance of the developed models was evaluated with metrics including accuracy, precision, specificity, recall, F-score, and Matthews Correlation Coefficient (MCC), and the obtained results were compared with similar studies in the literature. The ensemble classification performed by the VGG16 and VGG19 models achieved the highest performance with an accuracy of 99.02% and an MCC of 0.985.
Benzer Tezler
- Beyin tümörlerinin derin öğrenme ile manyetik rezonans görüntülerinden sınıflandırılması
Classification of brain tumors from magnetic resonance images with deep learning
CAHFER GÜNGEN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet ÜniversitesiOptik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZLEM POLAT
- Transfer öğrenme ve derin öğrenme kullanılarak beyin tümörü teşhisi
Diagnosis of brain tumor using transfer learning and deep learning methods
SELMA GENÇ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEYNEP ORMAN
- Nesne tespiti ve görüntü sınıflandırmada derin öğrenme modellerine dayalı yeni yöntemlerin geliştirilmesi
Development of novel deep learning-based methods for object detection and image classification
MALIKI MOUSTAPHA
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CELAL ÖZTÜRK
- 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
- Beyin tümörlerinin MR görüntüleri üzerinden derin öğrenme yöntemiyle tespiti ve sınıflandırması
Determination and classification of brain tumors on MR images by deep learning method
MERVE KÖRDEMİR
Yüksek Lisans
Türkçe
2021
BiyomühendislikAkdeniz ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET BOZKURT
DOÇ. DR. KERİM KÜRŞAT ÇEVİK