Derin öğrenme teknikleri kullanılarak radyolojik görüntüler üzerinden akciğer kanseri tespitinin incelenmesi
Investigation of lung cancer detection on radiological images using deep learning techniques
- Tez No: 988132
- Danışmanlar: DOÇ. DR. HÜSEYİN ŞİRİN
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Fizik ve Fizik Mühendisliği, Science and Technology, Physics and Physics Engineering
- Anahtar Kelimeler: Derin öğrenme, Yapay zeka, Deep learning, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Fizik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, halka açık kaynaklardan elde edilen 133 adet akciğer röntgeni (91 normal, 42 patolojik) görüntüleri üzerinde, derin öğrenme tabanlı farklı model mimarilerinin (TorchXRayVision temelli DenseNet, NIH, CheXpert, RSNA ve ResNet50) akciğer kanseri tespitindeki başarıları karşılaştırılmıştır. Görüntüler min-max normalleştirme ve 224×224 piksel boyutlandırma ile ön işleme alınmıştır. Modeller, aktarım öğrenmesi ile ikili sınıflandırmaya adapte edilip, doğruluk, duyarlılık, özgüllük, F1-skoru ve AUC-ROC metrikleriyle değerlendirilmiştir. Eğitim ve doğrulama aşamaları %80 eğit–%20 doğrula oranıyla gerçekleştirilmiştir. TorchXRayVision DenseNet modeli, %92.6 doğruluk, %77.8 duyarlılık, %100 özgüllük ve %84.5 AUC-ROC ile en başarılı sonuçları vermiştir. Aktarım öğrenmesi, küçük ve dengesiz veri setlerinde dahi işlevsel olmuş, ancak sınıf dengesizliği hatırlama oranlarını sınırlandırmıştır. Sonuçlar, derin öğrenmeye dayalı yaklaşımların radyolojik akciğer görüntülerinde kanser tespiti için pratik ve güvenilir bir klinik karar destek aracı olabileceğini göstermektedir.
Özet (Çeviri)
This thesis evaluates and compares the performance of several deep learning-based models (TorchXRayVision DenseNet, NIH, CheXpert, RSNA, and ResNet50) for lung cancer detection on 133 public chest X-rays (91 normal, 42 pathological) images. Images were preprocessed via min-max normalization and resized to 224×224 pixels. All models were adapted for binary classification via transfer learning and assessed using accuracy, sensitivity, specificity, F1- score, and AUC-ROC, with an 80%/20% train-validation split. The TorchXRayVision DenseNet model achieved the highest results: 92.6% accuracy, 77.8% sensitivity, 100% specificity, and an AUC-ROC of 84.5%. Transfer learning yielded meaningful results even with small, imbalanced data; however, class imbalance partly limited recall. The findings demonstrate that deep learning approaches offer practical and reliable support for clinical lung cancer detection from radiological images.
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
- COVID-19 hastalığının derin öğrenme yöntemleri kullanılarak tespiti
Detection of COVID-19 disease using deep learning methods
HÜSEYİN YAŞAR
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN
- Derin öğrenme tekniklerini kullanarak otomatik tüberküloz teşhisi
Automated diagnosis of tuberculosis using deep learning techniques
PIKE MSONDA
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAİT ALİ UYMAZ
DR. Seda SOĞUKPINAR KARAAĞAÇ
- 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
- Mandibular üçüncü molarların çekim zorluğunun açıklanabilir derin öğrenme teknikleri ile tahmini
Prediction of the extraction difficulty of mandibular third molars using explainable deep learning techniques
İSMAİL KAYADİBİ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. UTKU KÖSE
DOÇ. DR. GÜR EMRE GÜRAKSIN