Beyin tümörü sınıflandırması için optimize edilmiş hibrit modeller ve yenilikçi diferansiyel dikkat mimarilerinin geliştirilmesi
Development of optimized hybrid models and innovative differential attention architectures for brain tumor classification
- Tez No: 978653
- Danışmanlar: DOÇ. DR. ÖZKAN İNİK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Görüntü sınıflandırma, Yapay zeka, Çok kriterli optimizasyon, Çoklu sınıflandırma, Image classification, Artificial intelligence, Multi criteria optimization, Multi classification
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beyin tümörü sınıflandırması, suboptimal hiperparametre optimizasyonu, Evrişimli Sinir Ağları (ESA) ile Transformer mimarilerinin verimsiz entegrasyonu ve veri bağımlılığı gibi temel metodolojik boşluklar nedeniyle önemli zorluklar barındırmaktadır. Bu zorlukları gidermek amacıyla iki yenilikçi çerçeve sunulmuştur. İlk olarak, Hibrit ESA-Makine Öğrenmesi (MÖ) çerçevesi, ESA tabanlı özellikleri, hiperparametreleri Bayesyan Optimizasyon ile sistematik olarak ayarlanmış klasik makine öğrenmesi sınıflandırıcıları ile birleştirmiştir. İkinci ve temel katkı olan Vision Differential Transformer (ViDT) çerçevesi ise, dil modelleri için geliştirilmiş olan Diferansiyel Transformer mimarisini, tıbbi görüntüleme alanına ilk kez uyarlamıştır. Bu kapsamda, saf bir ViDT ve Hibrit ViDT (HViDT) modeli önerilmiştir. Deneysel sonuçlar, optimize edilmiş hibrit modellerden EfficientNetB0-SVM'in %97.93 doğruluğa ulaştığını göstermiştir. En önemli bulgu olarak, HViDT modeli, %99.31 gibi en ileri düzey bir test doğruluğuna ve 5-katlı çapraz doğrulamada %98.66 (±0.0035) gibi son derece kararlı bir ortalama doğruluğa ulaşmıştır. Kritik olarak, bu üst düzey başarım, veri artırımı veya ön-eğitim olmaksızın elde edilmiştir; bu da önerilen mimarinin yüksek veri verimliliğini kanıtlamaktadır. Ayrıca, Grad-CAM analizleri, HViDT modelinin dikkatini klinik olarak anlamlı patolojik bölgelere odakladığını görsel olarak doğrulamıştır. Sonuç olarak, sunulan yaklaşımlar, beyin tümörü sınıflandırması için yeni bir başarım ölçütü (benchmark) belirlemekte ve diferansiyel dikkat mekanizmasını, medikal görüntü analizi için güçlü, veri verimli ve yorumlanabilir bir araç olarak ortaya koymaktadır.
Özet (Çeviri)
Brain tumor classification presents significant challenges stemming from key methodological gaps, including suboptimal hyperparameter optimization, inefficient integration of Convolutional Neural Networks (CNNs) and Transformer architectures, and heavy reliance on data-dependent processes. To address these challenges, two innovative frameworks are introduced. The first, a Hybrid CNN-Machine Learning (ML) framework, combines CNN-based features with classical machine learning classifiers whose hyperparameters are systematically tuned using Bayesian Optimization. The second and primary contribution, the Vision Differential Transformer (ViDT) framework, adapts the Differential Transformer architecture—originally developed for language models—to the field of medical imaging for the first time. Within this context, a pure ViDT and a hybrid ViDT (HViDT) model are proposed. Experimental results demonstrate that among the optimized hybrid models, the EfficientNetB0-SVM combination achieved an accuracy of 97.93%. Most significantly, the HViDT model attained a state-of-the-art test accuracy of 99.31% and a highly stable mean accuracy of 98.66% (±0.0035) in 5-fold cross-validation. Critically, this top-tier performance was achieved without data augmentation or pre-training, underscoring the high data efficiency of the proposed architecture. Furthermore, Grad-CAM analyses visually confirmed that the HViDT model focuses its attention on clinically relevant pathological regions. In conclusion, the presented approaches establish a new performance benchmark for brain tumor classification and introduce the differential attention mechanism as a powerful, data-efficient, and interpretable tool for medical image analysis.
Benzer Tezler
- 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
- Optimize Edilmiş Hibrit Derin Öğrenme Modeli ile Beyin MR Görüntülerinde Tümör Sınıflandırılması
Tumor classification in brain mri images using an optimized hybrid deep learning model
VEYSEL TİLEĞİ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiMersin ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ YILDIZ
- Developing a smart method for real -time brain tumor localization and segmentation on ct ımages using hybrid techniques and yolo
Hibrit teknikler ve yolo kullanilarak bt görüntülerinde gerçek zamanli beyin tümörü lokalizasyonu ve segmentasyonu için akilli bir yöntem geliştirilmesi
NUSAIBAH KHALID ABDULMAJEED AL-SALIHI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
PROF. DR. TURGAY İBRİKÇİ
- Brain tumor detection using image processing & deep learning
Görüntü işleme ve derin öğrenmeyle beyin tümörü tespiti
AL-HAWRA' TALAL ABDULHAMED ABDULHAMED
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SEFER KURNAZ
- Beyin MR görüntüleri üzerinden beyin tümörü tespiti,sınıflandırması ve segmentasyonunda derin öğrenme yöntemlerinin incelenmesi
An investigation of deep learning approaches for brain tumor detection, classification, andsegmentation from brain MRI images
ESMA NUR GÜNEŞER
Yüksek Lisans
Türkçe
2026
Mühendislik BilimleriYıldız Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MERT BAL