Skin disease detection from mobile captured images using capsule networks and CBAM attention mechanisms
Kapsül ağları ve CBAM dikkat mekanizmaları kullanılarak cep telefonu ile çekilen görüntülerden cilt hastalıklarının tespiti
- Tez No: 992201
- Danışmanlar: DR. NİAYESH GHARAEİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Ostim Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Modern CNN omurgalarının Kapsül Ağları ve dikkat mekanizmalarıyla entegrasyonu, cilt lezyonlarının otomatik sınıflandırılmasını geliştirmek için kullanılmıştır. Önerilen yaklaşım, geleneksel yöntemlere kıyasla özellik temsilini, mekansal hiyerarşi modellemesini ve sınıf ayrımını iyileştirmeyi amaçlamaktadır. Modeller, değişkenlik ve dengesizliği gidermek için bazı teknikler kullanılarak büyük, önceden işlenmiş bir veri kümesi üzerinde eğitilmiştir. InceptionV3, DenseNet169, MobileNetV2, ConvNeXt ve EfficientNet dahil olmak üzere birden fazla mimari, Kapsül Ağları ile birlikte CNN modelleri olarak değerlendirilmiş ve CBAM dikkat modülleriyle daha da geliştirilmiştir. Sonuçlar, geleneksel CNN'lerin güçlü bir performans sergilediğini; ancak Kapsül Ağlarının eklenmesinin sınıf ayrımını önemli ölçüde artırdığını, modelin mekansal hiyerarşileri ve hiyerarşik ilişkileri koruma yeteneğini geliştirdiğini göstermektedir. Bu, pigment ağları, düzensiz sınırlar ve lokalize dokular gibi lezyon yapılarının daha güçlü bir şekilde tanınmasına yol açmıştır. CBAM ve Kapsül Ağı ile en yüksek performansı gösteren model olan DenseNet169, %91,65 test doğruluğu, %97,98 AUC-ROC, %91,56 F1 puanı, %91,58 kesinlik ve %91,65 duyarlılık elde ederek sağlam bir sınıflandırma performansı sergiledi. Bu entegrasyon, tüm cilt hastalığı sınıflarında hem duyarlılığı hem de kesinliği artırarak sağlam ve klinik olarak ilgili bir performans sağlar.
Özet (Çeviri)
Integration of modern CNN backbones with Capsule Networks and attention mechanisms is employed to enhance the automated classification of skin lesions. The proposed approach aims to improve feature representation, spatial hierarchy modeling, and class discrimination compared to traditional methods. The models were trained on a large, preprocessed dataset using some techniques to address variability and imbalance. Multiple architectures, including InceptionV3, DenseNet169, MobileNetV2, ConvNeXt, and EfficientNet, were evaluated as CNN models, in combination with Capsule Networks, and further enhanced with CBAM attention modules. The results indicate that conventional CNNs achieved strong performance; however, the addition of Capsule Networks significantly enhanced class discrimination, improving the model's ability to preserve spatial hierarchies and hierarchical relationships. This resulted in stronger recognition of lesion structures such as pigment networks, irregular borders, and localized textures. The highest performing model, DenseNet169 with CBAM and a Capsule Network, achieved 91.65% test accuracy, AUC-ROC of 97.98%, F1-score of 91.56%, precision of 91.58%, and sensitivity of 91.65%, demonstrating robust classification performance. This integration provides robust, clinically relevant performance, improving both sensitivity and precision across all skin disease classes.
Benzer Tezler
- Akıllı giyilebilir kardiyo gözlem sistemi tasarımı
Design of a smart wearable cardiac monitoring system
FATMA PATLAR AKBULUT
Doktora
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AYDIN AKAN
- Diagnosing melanoma cancer using deep learning
Derin öğrenme kullanarak melanoma kanseri tespiti
SEDA BÜŞRA BAKIR
Yüksek Lisans
İngilizce
2023
Makine MühendisliğiGaziantep ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ KILIÇ
PROF. DR. SADETTİN KAPUCU
- Kolonoskopi görüntülerindeki poliplerin evrişimli sinir ağları ile tespiti
Detecting polyps in colonoscopy images using convolutional neural networks
ERDEM EZER
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesiİş Analitiği Ana Bilim Dalı
PROF. DR. MERT ERER
- Kültür balıklarındaki vibrio anguillarum?un immunohistokimyasal yöntemlerle teşhisi
Diagnosis of vibrio anguillarum by using immunohistochemical methods in cultured fish
BUKET AYDIN
Yüksek Lisans
Türkçe
2013
Su Ürünleriİstanbul ÜniversitesiSu Ürünleri Yetiştiriciliği Ana Bilim Dalı
DOÇ. DR. TÜLAY AKAYLI
- Kültür deniz balıklarında stafilokok enfeksiyonlarının çeşitli diyagnostik metotlarla tespiti üzerine bir çalışma
A study on the detection of staphylococcal infections in cultured marine fish using various diagnostic methods
ÖZGÜR ÇANAK
Doktora
Türkçe
2017
Su Ürünleriİstanbul ÜniversitesiSu Ürünleri Yetiştiriciliği Ana Bilim Dalı
PROF. DR. GÜLŞEN TİMUR