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: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- 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: 70
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
- Predicting customers with higher probability to purchase in telecom industry
Telekom sektöründe satın alma ihtimali yüksek olan müşterilerin tahmin edilmesi
GÜZİDE NUR YILDIRIM
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- 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
- Kahve çekirdeklerine ait görüntülerin sınıflandırılması
Classification of coffee bean images
CAN ÜNAL
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ KARAÇOR
- Derin öğrenme tabanlı mikrodalga antenlerin vekil modellemesi
Deep learning-based surrogate modeling of microwave antennas
NASI ALLTIPARMAK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. PEYMAN MAHOUTİ
PROF. DR. SLAWOMİR KOZIEL