Geri Dön

Makine öğrenmesi ve derin öğrenme teknikleri kullanılarak beyin tümörünün tespiti için hibrit bir model geliştirilmesi

Developing a hybrid model for brain tumor detection using machine learning and deep learning techniques

PDF İndir

  1. Tez No: 991338
  2. Yazar: MEHR ALI QASIMI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ZÜLEYHA YILMAZ ACAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Beyin Tümörü, Derin Öğrenme, Destek Vektör Makinesi, Dikkat Mekanizması, Evrişimsel Blok Dikkat Modülü, Hibrit Model, Transfer Öğrenme, Attention Mechanism, Brain Tumor, Convolutional Block Attention Module, Deep Learning, Hybrid Model, Transfer Learning, Support Vector Machine
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilişim Teknolojileri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Manyetik Rezonans Görüntüleme (MRG) taramalarından beyin tümörü tespiti, tıbbi görüntülemede kritik bir araştırma alanı olup hasta sonuçları, tedavi planlaması ve erken tanı süreçlerini doğrudan etkilemektedir. Bununla birlikte, radyologlar tarafından büyük ve karmaşık MRG verilerinin manuel olarak değerlendirilmesi zaman alıcı, öznel ve hata olasılığı yüksek bir süreçtir. Bu sorunları gidermek amacıyla, bu tez çalışması beyin tümörü tespiti için; transfer öğrenme temelli önceden eğitilmiş Evrişimsel Sinir Ağı (CNN) modelleri, Evrişimsel Blok Dikkat Modülü (CBAM) ve Destek Vektör Makinesi (SVM) sınıflandırıcısını bir araya getiren hibrit bir derin öğrenme çerçevesi önermektedir. ResNet50, InceptionV3, InceptionResNetV2, DenseNet121 ve VGG16 olmak üzere beş CNN mimarisi, 2 boyutlu beyin MRG kesitlerinden temel örüntüleri çıkarmak amacıyla özellik çıkarıcı olarak kullanılmaktadır. Özelliklerin ayrıştırıcılığını artırmak için modele entegre edilen CBAM, hem uzamsal hem kanal düzeyinde dikkat mekanizmaları uygulayarak modelin beyin tümörü taramalarındaki en bilgilendirici bölgeleri vurgulamasını sağlamaktadır. Elde edilen iyileştirilmiş özellikler SVM sınıflandırıcısına aktarılmakta ve bu sınıflandırıcı beyin tümör tespiti için sağlam bir sınıflandırma performansı sunmaktadır. Önerilen yöntem, sağlıklı ve tümörlü verileri ayırt etmek üzere bir veri kümesi üzerinde geliştirilmiştir. Geliştirilen model alternatif iki farklı veri kümesine uygulanarak modelin genellebilirlik performansı değerlendirilmiştir. Bununla birlikte model doğrulama aşamasında üç ayrı veri bölme stratejisi kullanılmıştır. Deneysel sonuçlar, beyin tümörü tespitinde hibrit yaklaşımın geleneksel yöntemlere kıyasla yüksek performans sergilediğini ortaya koymaktadır. Özellikle InceptionResNetV2 ve DenseNet121 mimarilerinin CBAM ve SVM ile bütünleştirilmesi, veri setinde %99,77 doğruluk ve %100 F1-skoru ile en yüksek başarıyı sağlamıştır. Bu bulgular, dikkat mekanizmalarının klinik iş akışlarına entegrasyon potansiyelini doğrulamakta ve otomatik beyin tümörü sınıflandırması için etkili, ölçeklenebilir bir çözüm sunmaktadır.

Özet (Çeviri)

Brain tumor detection from Magnetic Resonance Imaging (MRI) scans is a critical research area in medical imaging, as it directly affects patient outcomes, treatment planning, and early diagnosis processes. However, the manual evaluation of large and complex MRI data by radiologists is a time-consuming, subjective process with a high probability of error. In order to overcome these challenges, this thesis proposes a hybrid deep learning framework for brain tumor detection that integrates transfer learning–based pretrained Convolutional Neural Network (CNN) models, the Convolutional Block Attention Module (CBAM), and a Support Vector Machine (SVM) classifier. Five CNN architectures—ResNet50, InceptionV3, InceptionResNetV2, DenseNet121, and VGG16—are employed as feature extractors to derive fundamental patterns from two-dimensional brain MRI slices. To enhance the discriminative capability of the features, CBAM is integrated into the model, applying both spatial and channel-level attention mechanisms to enable the model to emphasize the most informative regions in brain tumor scans. The resulting enhanced features are transferred to the SVM classifier, which provides robust classification performance for brain tumor detection. The proposed method was developed using a dataset designed to distinguish between healthy and tumor data. The developed model was applied to two alternative datasets to evaluate its generalization performance. Additionally, three different data-splitting strategies were employed during the model validation phase. Experimental results demonstrate that the hybrid approach exhibits superior performance in brain tumor detection compared to traditional methods. In particular, the integration of the InceptionResNetV2 and DenseNet121 architectures with CBAM and SVM achieved the highest performance, attaining 99.77% accuracy and a 100% F1-score on the dataset. These findings confirm the potential of integrating attention mechanisms into clinical workflows and provide an effective and scalable solution for automated brain tumor classification.

Benzer Tezler

  1. Tez No

    945247

    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

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ULUS ÇEVİK

    PROF. DR. TURGAY İBRİKÇİ

  2. Tez No

    887675

    Diagnosis of brain cancer and contour normal tissue for radiation therapy based on deep learning methods

    Derin öğrenme yöntemleriyle radyoterapi için beyin kanseri tanisi ve normal doku ayrimi

    NAVID HALILI

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Mekatronik Ana Bilim Dalı

    PROF. DR. MUSTAFA DOĞAN

  3. Tez No

    934336

    Derin öğrenme uygulaması destekli pekiştirmeli öğrenme algoritması ile beyin kanserileri tanı ve sınıflandırılmasında arayüz oluşturulması

    Development of interface for the diagnosis and classification of brain cancers with reinforcement learning algorithm supported by deep learning application

    SEDA ARIKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Mühendislik BilimleriAkdeniz Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÇİĞDEM SARAÇ

    DOÇ. DR. YİĞİT ALİ ÜNCÜ

  4. Tez No

    667599

    Beyin tümör tiplerinin makine öğrenmesi ve derin öğrenme tabanlı teknikler ile sınıflandırılması

    The classification of brain tumor types using machine learning and deep learning based techniques

    KAPLAN KAPLAN

    Doktora

    Türkçe

    Türkçe

    2020

    Mekatronik MühendisliğiKocaeli Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN METİN ERTUNÇ

  5. Tez No

    934706

    Ceviz çeşitlerinin derin öğrenme teknikleri kullanılarak sınıflandırılması

    Classification of walnut varieties using deep learning techniques

    BARIŞ ATEŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAmasya Üniversitesi

    Teknoloji ve İnovasyon Yönetimi Ana Bilim Dalı

    PROF. DR. MEHMET KARA

Geri Dön