Çekişmeli üretken ağlarla sentetik veri üretiminin model başarımını arttırmadaki etkisinin incelenmesi
Investigation of the effect of synthetic data generation with generative adversarial networks on model performance improvement
- Tez No: 960408
- Danışmanlar: DOÇ. DR. GÜRCAN ÇETİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 85
Özet
Bu çalışma, tıbbi görüntüleme alanında sınıflandırma performansını artırmak amacıyla Derin Konvolüsyonel Çekişmeli Üretken Ağlar (DCGAN) kullanılarak sentetik veri üretiminin etkinliğini incelemektedir. Özellikle göğüs röntgeni görüntülerinden pnömoni tespitinde yaygın olarak karşılaşılan sınıf dengesizliği problemi ele alınmıştır. Bu doğrultuda, DCGAN mimarisiyle dört farklı sentetik veri seti üretilmiş ve bu setler ResNet-50, VGG-16, AlexNet, ZFNet ve özel olarak tasarlanmış bir Konvolüsyonel Sinir Ağı (CNN) modeli ile test edilmiştir. DCGAN modeli 32'lik batch boyutu, 5.000 epok, 128×128 piksel boyutunda gürültü vektörü ve 0.00015 öğrenme oranı ile eğitilmiştir. Deneysel bulgular, sentetik örneklerin entegrasyonunun sınıflandırma doğruluğunda anlamlı bir iyileşme sağladığını ortaya koymaktadır. DCGAN ile artırılmış verilerle elde edilen en yüksek doğruluk oranı %86 olup, geleneksel veri artırma yöntemlerine kıyasla %2 ila %7 arasında bir performans artışı sağlanmıştır. Özellikle AlexNet ve ZFNet modellerinde; bakteri kaynaklı pnömonide doğruluk %84'ten %86'ya, virüs kaynaklı pnömonide %77'den %84'e ve sağlıklı sınıflarda %79'dan %84'e yükselmiştir. DCGAN tarafından üretilen sentetik görüntüler, görsel gerçeklik açısından yeterli bulunmuş ve orijinal veri setiyle istatistiksel olarak benzer bir dağılım sergilemiştir. Bu bulgular, dengeli veri kümelerinin model başarımı üzerindeki kritik etkisini vurgulamakta ve GAN tabanlı sentetik veri üretiminin, tıbbi görüntü sınıflandırmada veri eksikliği sorununu azaltmak için ölçeklenebilir ve alan bağımsız bir çözüm sunduğunu göstermektedir. Önerilen metodoloji, yalnızca pnömoni tespitiyle sınırlı kalmayıp, diğer tanılayıcı görüntüleme problemlerine de genellenebilir niteliktedir.
Özet (Çeviri)
This study investigates the effectiveness of synthetic data generation using Deep Convolutional Generative Adversarial Networks (DCGANs) to improve classification performance in medical imaging, specifically for pneumonia detection from chest X-ray images. Addressing the prevalent issue of class imbalance in medical datasets, four synthetic datasets were generated via a DCGAN architecture and subsequently evaluated using ResNet-50, VGG-16, AlexNet, ZFNet, and a custom Convolutional Neural Network (CNN) model. The DCGAN was trained with a batch size of 32, 5,000 epoks, an input noise vector of 128×128 pixels, and a learning rate of 0.00015. Experimental results indicate a notable enhancement in classification accuracy through the integration of synthetic samples. The highest accuracy achieved with DCGAN-augmented data reached 86%, corresponding to an improvement of 2% to 7% compared to traditional data augmentation techniques. Notably, classification accuracy for bacterial pneumonia increased from 84% to 86%, viral pneumonia from 77% to 84%, and healthy cases from 79% to 84% in models such as AlexNet and ZFNet. The synthetic images generated by the DCGAN were deemed visually realistic and exhibited a statistically comparable distribution to the original dataset. These findings underscore the critical role of balanced datasets in optimizing model performance and suggest that GAN-based synthetic data generation provides a scalable and domain-independent solution for mitigating data scarcity in medical image classification. The proposed methodology demonstrates high transferability and can be generalized to other diagnostic imaging tasks beyond pneumonia detection.
Benzer Tezler
- Yapay zeka ve mimarlık etkileşimi üzerine bir çalışma:Üretken çekişmeli ağ algoritması ile otonom mimari plan üretimi ve değerlendirmesi
A study on interaction of artificial intelligence and architecture: Production and evaluation of architectural plans with generative adversarial networks
CAN UZUN
Doktora
Türkçe
2020
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. MERYEM BİRGÜL ÇOLAKOĞLU
- Çekişmeli üretken ağlarla medikal görüntülerin üretimi ve analizi
Use of generative adversarial networks in medical image synthesis and segmentation
SARA ALTUN GÜVEN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED FATİH TALU
- Sentetik açıklıklı radar görüntülerinin derin evrişimli ağlarla tanınmasına yönelik veri artırımı yaklaşımlarının incelenmesi
Examining data augmentation approaches for recognition of synthetic aperture radar images with deep convolutionary networks
BİLGE SİNAN
Yüksek Lisans
Türkçe
2024
Savunma ve Savunma TeknolojileriBaşkent ÜniversitesiSavunma Teknolojileri ve Sistemleri Ana Bilim Dalı
DOÇ. DR. EMRE SÜMER
- GAN-based intrinsic exploration for sample efficient reinforcement learning
Örnek verimli pekiştirmeli öğrenme için üretken çekişmeli ağlarla içsel keşif
DOĞAY KAMAR
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Mimari tasarımda yapay zekâ yaklaşımı: Makine öğrenmesi ile mekân işlevlerinin tanınması ve üretken çekişmeli ağlarla mimari plan üretimi
Artificial intelligence approach in architectural design: Recognition of space functions with machine learning and architectural plan generation with generative adversarial networks
BERFİN YILDIZ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. GÜLEN ÇAĞDAŞ
DR. ÖĞR. ÜYESİ İBRAHİM ZİNCİR