Derin öğrenme ve boyut indirgeme destekli makine öğrenmesi yöntemleriyle böbrek tümörü tespiti
Kidney tumor detection using deep learning and dimensional reduction-assisted machine learning methods
- Tez No: 963992
- Danışmanlar: DR. ÖĞR. ÜYESİ TAHA ETEM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Gömülü sistemler, Yapay zeka ve makine öğrenmesi dersi, İnsan-yapay zeka etkileşimi, Deep learning, Embedded systems, Artificial intelligence and machine learning course, Human-artificial intelligence interaction
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, böbrek tümörlerinin BT görüntülerinden hızlı ve doğru biçimde saptanması için derin öğrenme ve boyut indirgeme destekli makine öğrenmesi tabanlı bir yaklaşım önermektedir. Çalışmada iki büyük ve kapsamlı BT veri seti (V1, V2) ön işlenmiş, Gri Düzey Birlikte Oluşum Matrisi (GLCM) ile doku özellikleri çıkarılmış ve T-SNE ile iki boyuta indirgenmiştir. Elde edilen düşük boyutlu öznitelikler üzerinde KNN, Bagging Ağaçlar, Karar Ağacı, İnce Gauss SVM ve üç katmanlı Yapay Sinir Ağı eğitilmiştir. Karşılaştırma amacıyla AlexNet, EfficientNet-B0, Darknet-53, Xception ve DenseNet-201 ile derin öğrenme deneyleri yürütülmüştür. Sonuçlar, DenseNet-201'ün 0,0001 öğrenme oranında %99,75 doğruluğa ulaştığını; önerilen kademeli GLCM+T-SNE yaklaşımının ise çok daha küçük model boyutu ve yüksek tahmin hızıyla KNN'de V1 için %99,65, V2 için %99,98 doğruluk sağladığını göstermektedir. T-SNE kullanımı, yalnızca GLCM'e göre benzer doğrulukla anlamlı hız ve bellek kazanımları sunmuştur. Önerilen yöntem, düşük sistem gereksinimleri, gerçek zamanlı kullanım potansiyeli ve veri kümesi bağımsız sağlam performansıyla klinik karar destek süreçlerini güçlendirmektedir. Gelecek çalışmalar, farklı modaliteler, transfer öğrenmesi ve açıklanabilir yapay zekâ teknikleriyle yöntemin genellenebilirliğini ve yorumlanabilirliğini artırmayı hedeflemektedir. Değerlendirme doğruluk, kesinlik, duyarlılık, F1 ve özgüllük metrikleriyle, karışıklık matrisleri üzerinden yapılmış; hiperparametreler ızgara aramasıyla seçilmiştir. Model boyutu ve tahmin hızındaki iyileşmeler, sınırlı belleğe sahip uç cihazlarda dağıtımı kolaylaştırmakta ve güvenilirliğini artırmaktadır.
Özet (Çeviri)
This thesis proposes a deep-learning and dimensionality-reduction–assisted machine learning approach for fast and accurate detection of renal tumors from CT images. Two large CT datasets (V1 and V2) were preprocessed; texture features were extracted using the Gray Level Co-occurrence Matrix (GLCM) and reduced to two dimensions with t-SNE. The resulting low-dimensional features were used to train KNN, Bagged Trees, Decision Tree, Fine Gaussian SVM, and a three-layer Artificial Neural Network. For comparison, deep learning experiments were conducted with AlexNet, EfficientNet-B0, Darknet-53, Xception, and DenseNet-201. Results show that DenseNet-201 achieved 99.75% accuracy at a 0.0001 learning rate, while the proposed cascaded GLCM + t-SNE pipeline delivered 99.65% accuracy on V1 and 99.98% on V2 with KNN, alongside markedly smaller model size and higher prediction speed. Using t-SNE provided substantial speed and memory gains at accuracy comparable to GLCM-only features. The method strengthens clinical decision support thanks to low system requirements, real-time applicability, and robust, dataset-agnostic performance. Evaluation relied on accuracy, precision, recall, F1, and specificity metrics derived from confusion matrices, and hyperparameters were selected via grid search. Improvements in model size and inference speed facilitate deployment on memory-constrained edge devices and enhance overall reliability. Future work will explore additional imaging modalities, transfer learning, and explainable AI to improve generalizability and interpretability.
Benzer Tezler
- Meme kanseri histopatolojik görüntülerinin derin öğrenme yöntemleriyle sınıflandırılması
Classification of breast cancer histopatological images using deep learning methods
KADİR CAN BURÇAK
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN UĞUZ
- A unified deep learning framework for scalable learning and uncertainty quantification in interval Type-2 fuzzy logic systems
Aralık Tip-2 bulanık mantık sistemlerinde ölçeklenebilir öğrenme ve belirsizlik nicelendirmesi için derin öğrenme tabanlı birleştirilmiş bir çerçeve
ATA KÖKLÜ
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. TUFAN KUMBASAR
- BMI prediction from face images
Yüz görüntülerinden vücut kitle indeksi tahmini
GÜLPINAR BÖLÜKBAŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Automated lane change decision making for autonomous vehicles using machine learning techniques
Makine öğrenmesi teknikleri ile otonom araçlarda şerit değişimine karar verme
MEHDI NASIRI
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. GÜLAY ÖKE GÜNEL
- Videolarda derin öğrenme yaklaşımları ile anormal durum tespiti ve boyut indirgeme sistemi
Anomaly detection and size reduction system with deep learning approaches in videos
MEHMET TEVFİK AĞDAŞ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
PROF. DR. SEVİNÇ GÜLSEÇEN