Açıklanabilir yapay zeka ve dönüştürücüler kullanılarak beyin tümörü analizi
Brain tumor analysis with explainable artificial intelligence and transformers
- Tez No: 976276
- Danışmanlar: DOÇ. DR. MEHMET ZEKİ KONYAR
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Engineering Sciences, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, Beyin tümörü sınıflandırma ve keşifsel segmentasyon görevlerinde görü dönüştürücü (ViT) mimarilerinin performansını sistematik olarak değerlendirmeyi ve aynı zamanda bu modellerin karar verme süreçlerini açıklanabilir yapay zeka (XAI) teknikleri aracılığıyla analiz etmeyi amaçlamaktadır. ViT modelleri, transfer öğrenme kullanılarak klasik konvolüsyonel sinir ağları (CNN) ve Swin Transformer mimarileri ile aynı koşullar altında karşılaştırmalı olarak incelenmiştir. Tüm modeller, adil bir karşılaştırma sağlamak için aynı hiperparametreler ve stratejiler ile eğitilmiştir. İlk deneysel çalışmada, LUMIERE veri kümesi kullanılarak ikili sınıflandırma gerçekleştirilmiştir. En yüksek F1-Skoru %98,47 ile hem Swin-S hem de Swin-L modellerinde elde edilmiş, en yüksek AUC değeri ise %98,28 ile ViT-H/14 modelinde gözlemlenmiştir. Bu sonuçlar, Transformer tabanlı modellerin küresel bağlamsal bilgiyi yakalamadaki avantajlarını ve CNN'lere kıyasla daha güçlü temsiliyet kabiliyeti sunduğunu ortaya koymaktadır. İkinci çalışmada, sınıflandırma görevinde en iyi performans gösteren ViT-L/16 modeli, kodlayıcı kısmı yeniden eğitilmeden doğrudan keşifsel segmentasyon görevine aktarılmıştır. Yalın bir kod çözücü ve yalnızca T1 modalitesi kullanılarak gerçekleştirilen tümör segmentasyonunda model, %80,3 Dice skoru ve %71,4 IoU skoru elde etmiştir. Bu sonuçlar, ViT'in segmentasyon yeteneğini yansıtmaktadır. Üçüncü çalışmada, genelleme kabiliyetini değerlendirmek amacıyla Brain MRI veri kümesi kullanılarak yalnızca ViT modelleri ile dört sınıflı sınıflandırma yapılmıştır. Diğer modellerle karşılaştırma yapılmamıştır. En yüksek doğruluk, %95,87 doğruluk oranı ve %99,56 AUC ile ViT-H/14 modelinde elde edilmiştir. XAI analizinde, ilk görevdeki ViT-B/32 modeline üç farklı yorumlanabilirlik yöntemi Attention Rollout, Integrated Gradients ve Grad-CAM uygulanmıştır. Ayrıca dört sınıflı görevde ViT-H/14 modeline de Attention Rollout yöntemi uygulanmıştır. Bu yöntemler, dikkat mekanizmalarının görselleştirilmesini sağlayarak modelin karar mantığına dair içgörüler sunmuş ve yorumlanabilirliği artırmıştır. Bu çalışma, ViT modellerinin sınıflandırma, segmentasyon ve yorumlanabilirlik açısından kapsamlı bir değerlendirmesini sunmaktadır. Bulgular, bağlamsal öğrenme yeteneği ve XAI ile sağlanan şeffaflığı sayesinde ViT mimarilerinin klinik karar destek sistemlerinde güvenli ve etkili kullanım potansiyeline sahip olduğunu göstermektedir.
Özet (Çeviri)
This thesis aims to systematically evaluate the performance of Vision Transformer (ViT) architectures in brain tumor classification and exploratory segmentation tasks, while also analyzing the decision-making processes of these models through explainable artificial intelligence (XAI) techniques. ViT models were comparatively examined against classical Convolutional Neural Networks (CNNs) and Swin Transformer architectures under identical conditions using transfer learning. All models were trained with the same hyperparameters and strategies to ensure a fair comparison. In the first experimental task, binary classification was performed using the LUMIERE dataset. The highest F1-Score of 98.47% was observed in both Swin-S and Swin-L models, while ViT-H/14 attained the highest AUC score of 98.28%. These results highlight the advantages of Transformer-based models in capturing global contextual information, offering stronger representational power compared to CNNs. In the second task, the best-performing ViT-L/16 model from classification was transferred directly to an exploratory segmentation task without retraining the encoder. Using a lightweight decoder and T1-modality-only input, tumor segmentation was performed. The model achieved a Dice score of 80.3% and an IoU score of 71.4%, reflecting the segmentation capability of ViT. In the third task, a four-class classification was performed using the Brain MRI dataset with only ViT models to assess generalization capability. No comparison with other models was made. The highest accuracy was achieved by the ViT-H/14 model, reaching 95.87% accuracy and 99.56% AUC. In the XAI analysis, three different interpretability methods—Attention Rollout, Integrated Gradients, and Grad-CAM—were applied to the ViT-B/32 model from the first task. Additionally, Attention Rollout was applied to the ViT-H/14 model in the four-class task. These methods enabled visualization of attention mechanisms, offering insights into the model's decision logic and enhancing interpretability. This study provides a comprehensive assessment of ViT models in classification, segmentation, and interpretability. The findings suggest that ViT architectures, with their contextual learning ability and transparency through XAI, have strong potential for safe and effective use in clinical decision support systems.
Benzer Tezler
- Code vulnerability detection across different programming languages with AI models
Yapay zekâ modelleri ile farklı programlama dilleri arasında kod güvenlik açığı tespit
HAEL ABDULHAKIM ALI HUMRAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiYapay Zeka ve Veri Bilimi Ana Bilim Dalı
PROF. DR. FERDİ SÖNMEZ
- Lmm-iqa: image quality assessment for low-dose ct imaging
Lmm-ıqa: düşük dozlu bt görüntülerinde görüntü kalitesi değerlendirmesi
KAĞAN ÇELİK
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- Açıklanabilir yapay zeka ve akustik sinyaller kullanılarak endüstriyel makinelerde anomali tespiti
Anomaly detection in industrial machines using explainable ai and acoustic signals
BETÜL SENA ÇAĞLAR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Açıklanabilir yapay zekâ tasarımı ve sürdürülebilirlik
Explainable artificial intelligence design and sustainability
RAHMİ AHMET SELİM DELİLOĞLU
Doktora
Türkçe
2025
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. AYÇA ÇAKMAK PEHLİVANLI
- Açıklanabilir yapay zeka ile deepfake resim, video ve seslerin tespiti
Detection of deepfake images, videos and audio with explainable artificial intelligence
SENANUR ARMAĞAN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KAYA