Akciğer kanserinin tespitinde derin öğrenme modellerinin karşılaştırılması
Comparison of deep learning models in detection of lung cancer
- Tez No: 986038
- Danışmanlar: DR. ÖĞR. ÜYESİ MÜRSEL ÖNDER
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Engineering Sciences, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Akciğer, Akciğer hastalıkları, Derin öğrenme, Lung, Lung diseases, Deep learning
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Akciğer kanseri, küresel ölçekte en yüksek mortalite oranına sahip kanser türlerinden biri olup, tanıda gecikme hastaların yaşam süresini belirgin şekilde azaltmaktadır. Bu çalışmada, akciğer kanserinin otomatik tespiti için bilgisayarlı tomografi (BT) görüntülerinde modern derin öğrenme mimarileri (VGG16, ResNet-50, EfficientNet-B0, MobileNetV2 ve InceptionV3) standart ve veri sızıntısız bir deneysel protokol altında karşılaştırmalı olarak değerlendirilmiştir. Çalışmada, Irak'taki iki büyük onkoloji merkezinden toplanan, uluslararası ve açık erişimli IQ-OTH/NCCD veri seti kullanılmış olup veri seti; Malignant 561, Benign 120 ve Normal 416 olmak üzere toplam 1097 BT diliminden oluşan üç sınıf içermektedir. Gerçekçi bir klinik senaryo elde etmek ve veri sızıntısını engellemek amacıyla, tüm BT görüntüleri herhangi bir ön işleme veya artırma uygulanmadan önce katmanlı olarak eğitim yüzde 70, doğrulama yüzde 15 ve kilitli test yüzde 15 alt kümelerine ayrılmıştır. Sadece eğitim alt kümesindeki sınıf dengesizliği, sabit hedefli bir aşırı örnekleme stratejisi ile giderilmiş ve her sınıf 1000 görüntüye tamamlanmıştır; doğrulama ve test alt kümelerine hiçbir artırma veya dengeleme işlemi uygulanmamıştır. Ön işleme aşamasında BT görüntülerine pencereleme uygulanmış, ardından Otsu eşikleme, morfolojik açma-kapama işlemleri, delik doldurma ve bir piksel erozyon ile akciğer bölgeleri otomatik olarak maskelenmiştir. Tüm derin öğrenme modelleri ImageNet ağırlıklarıyla başlatılarak MATLAB R2024b ortamında transfer öğrenme yöntemiyle yeniden eğitilmiştir. Modeller kilitli test veri kümesi üzerinde doğruluk, duyarlılık, kesinlik, özgüllük, F1 skoru ve ROC-AUC gibi istatistiksel performans metrikleriyle değerlendirilmiştir. Elde edilen sonuçlara göre EfficientNet-B0 modeli yüzde 98.17 doğruluk ile en yüksek performansı göstermiştir. Diğer modeller sırasıyla; InceptionV3 yüzde 96.95, MobileNetV2 yüzde 96.34, VGG16 yüzde 93.90 ve ResNet-50 yüzde 89.63 doğruluk değerlerine ulaşmıştır. Klinik açıdan kritik olan Malignant sınıfının duyarlılığı EfficientNet-B0'da yüzde 98.81 ile en yüksek değere ulaşmış; ayrıca tüm modellerin Malignant sınıfında yüzde 100 kesinlik üretmiş olması, kanserli olarak sınıflandırılan hiçbir örneğin yanlış pozitif olmadığı anlamına gelmiştir. Grad-CAM tabanlı açıklanabilir yapay zekâ analizleri, ağların kararlarını nodül, opasite ve lezyon gibi klinik olarak anlamlı bölgelere odaklanarak verdiğini göstermiştir. Sonuç olarak, bu çalışma çok merkezli gerçek BT görüntüleri üzerinde beş farklı derin öğrenme mimarisini, veri sızıntısını ortadan kaldıran ve sınıf dengesini koruyan standartlaştırılmış bir eğitim protokolü altında karşılaştırarak literatüre güvenilir ve yeniden üretilebilir bir değerlendirme çerçevesi sunmaktadır.
Özet (Çeviri)
Lung cancer is one of the cancer types with the highest mortality rates worldwide, and delays in diagnosis significantly reduce patient survival. In this study, modern deep learning architectures (VGG16, ResNet-50, EfficientNet-B0, MobileNetV2, and InceptionV3) were comparatively evaluated under a standardized and data leakage–free experimental protocol for the automatic detection of lung cancer in computed tomography (CT) images. The study employed the international and publicly available IQ OTH/NCCD dataset collected from two major oncology centers in Iraq. The dataset contains three classes comprising a total of 1097 CT slices, including 561 Malignant, 120 Benign, and 416 Normal cases. To obtain a realistic clinical scenario and prevent data leakage, all CT images were stratified into training, validation, and locked test subsets at ratios of 70 percent, 15 percent, and 15 percent, respectively, before any preprocessing or augmentation was applied. Class imbalance was addressed only in the training subset using a fixed-target oversampling strategy, increasing each class to 1000 images, while no augmentation or balancing was applied to the validation and test subsets. During the preprocessing stage, CT images were subjected to windowing, followed by Otsu thresholding, morphological opening and closing operations, hole filling, and single-pixel erosion to automatically segment the lung regions. All deep learning models were initialized with ImageNet weights and retrained using transfer learning in the MATLAB R2024b environment. The models were evaluated on the locked test dataset using statistical performance metrics including accuracy, sensitivity, precision, specificity, F1 score, and ROC-AUC. According to the results, the EfficientNet-B0 model achieved the highest performance with an accuracy of 98.17 percent. The remaining models achieved accuracies of 96.95 percent for InceptionV3, 96.34 percent for MobileNetV2, 93.90 percent for VGG16, and 89.63 percent for ResNet-50. Sensitivity for the clinically critical Malignant class reached its highest value of 98.81 percent with the EfficientNet-B0 model. Moreover, all models achieved 100 percent precision for the Malignant class, indicating that none of the samples classified as cancerous were false positives. Grad CAM-based explainable artificial intelligence analyses demonstrated that the networks based their decisions on clinically meaningful regions such as nodules, opacities, and lesions. In conclusion, this study provides a reliable and reproducible evaluation framework by comparatively analyzing five deep learning architectures on multi-center real CT images under a standardized training protocol that eliminates data leakage and preserves class balance, thereby contributing robust evidence to the literature.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Tıbbi görüntü işleme ile akciğer grafisinde COVID-19 pozitif tespiti için veri madenciliği ve derin öğrenme yöntemlerinin performanslarının incelenmesi
Investigation of the performance of data mining and deep learning methods for COVID-19 positive detection in lung graph with medical image processing
FATMA GÜL KURT
Yüksek Lisans
Türkçe
2022
BiyoistatistikHacettepe ÜniversitesiBiyoistatistik Ana Bilim Dalı
DOÇ. DR. JALE KARAKAYA KARABULUT
- Akciğer kanserinin tespit edilmesinde derin öğrenme algoritmalarının kullanılması
Using deep learning algorithms for detecti̇on of lung cancer
AYŞEN ÖZÜN TÜRKÇETİN
Yüksek Lisans
Türkçe
2019
Mekatronik MühendisliğiIsparta Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HİLMİ CENK BAYRAKÇI
DR. ÖĞR. ÜYESİ BEKİR AKSOY
- Derin öğrenme yöntemleri ile bi-parametrik mr görüntülerinden prostat kanseri lezyonlarının segmentasyonu
Segmentation of prostate cancer lesions from biparametric mri images using deep learning methods
UFUK UÇAR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SONGÜL VARLI
- Segmentation of colon nuclei images using deep learning
Kalın bağırsak hücre görüntülerinin derin öğrenme kullanılarak bölütlenmesi
ATAKAN ÖZKAN
Yüksek Lisans
İngilizce
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU