Geri Dön

Göğüs röntgeni görüntülerinden pnömoni tespitinde derin öğrenme modelleri ile vision transformer modellerinin karşılaştırılması

Comparison of deep learning models and vision transformers in pneumonia detection from chest X-Ray images

PDF İndir

  1. Tez No: 997242
  2. Yazar: GONCAGÜL ERDAL
  3. Danışmanlar: DOÇ. DR. ALİ ÖZTÜRK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Kto Karatay Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışmada, akciğer inflamasyonunun (pnömoni) tespiti amacıyla çeşitli derin öğrenme ve vizyon dönüştürücü modelleri eğitilmiş ve doğruluk (accuracy), kesinlik (precision), duyarlılık (recall) ve F1-skoru gibi performans metrikleri kullanılarak değerlendirilmiştir. Derin öğrenme modelleri arasında AlexNet, GoogleNet, ResNet, özel (custom) bir CNN ve VGG tabanlı özel bir CNN yer almaktadır. Vizyon dönüştürücü modelleri ise BEiT, Swin, MobileViT ve TorchVision ViT_B_16'dır. Elde edilen sonuçlara göre, en yüksek doğruluk %91,35 ile ViT_B_16 modeli tarafından elde edilmiştir. Bu modele ait diğer performans değerleri sırasıyla %91,69 kesinlik, %91,35 duyarlılık ve %91,18 F1-skorudur. Bir sonraki en yüksek performansı gösteren model Swin olup, %89,26 doğruluk, %90,18 kesinlik, %89,26 duyarlılık ve %88,90 F1-skoru elde etmiştir. AlexNet'in performans metrikleri de oldukça yüksek olup, %89,10 doğruluk, %90,59 kesinlik, %89,10 duyarlılık ve %88,63 F1-skoru sağlamıştır. GoogleNet modeli %88,14 doğruluk, %89,76 kesinlik, %88,14 duyarlılık ve %87,59 F1-skoru elde ederken, MobileViT %86,54 doğruluk, %88,76 kesinlik, %86,54 duyarlılık ve %85,75 F1-skoru elde etmiştir. Buna karşılık, önceden eğitilmiş modeller arasında en düşük performansı gösteren model BEiT olmuştur. BEiT modeli %88,62 doğruluk, %90,11 kesinlik, %88,62 duyarlılık ve %88,12 F1-skoru elde etmiştir. Performansı ViT_B_16 ve MobileViT modellerine kıyasla daha düşük olmasına rağmen, yine de özel CNN modellerinden daha iyi sonuçlar vermiştir. Özel mimariler arasında, özel CNN modeli %80,77 doğruluk, %83,34 kesinlik, %80,77 duyarlılık ve %79,20 F1-skoru elde ederken; VGG tabanlı özel CNN modeli %80,45 doğruluk, %83,69 kesinlik, %80,45 duyarlılık ve %78,65 F1-skoru elde etmiştir. Sonuç olarak, TorchVision ViT_B_16 modeli pnömoni tespitinde diğer tüm modelleri geride bırakmış ve doğruluk, kesinlik, duyarlılık ve F1-skoru açısından en yüksek performansı göstermiştir.

Özet (Çeviri)

In this study, various deep learning and vision transformer models were trained for the purpose of detecting lung inflammation (Pneumonia) and evaluated using performance metrics such as accuracy, precision, recall, and f1-score. The deep learning models included AlexNet, GoogleNet, ResNet, a custom CNN, and a VGG-based custom CNN. The vision transformer models were BEiT, Swin, MobileVit, and TorchVision ViT_B_16. According to the obtained results, the highest accuracy was achieved by the ViT_B_16 model with 91.35%, along with 91.69% precision, 91.35% recall, and 91.18% f1-score. The next high-performing model was Swin, which achieved 89.26% accuracy, 90.18% precision, 89.26% recall, and 88.90% f1-score. The performance metrics of AlexNet were also high, with 89.10% accuracy, 90.59% precision, 89.10% recall, and 88.63% f1-score. GoogleNet followed with 88.14% accuracy, 89.76% precision, 88.14% recall, and 87.59% f1-score, while MobileVit achieved 86.54% accuracy, 88.76% precision, 86.54% recall, and 85.75% f1-score. In contrast, the lowest-performing pretrained model was BEiT, with 88.62% accuracy, 90.11% precision, 88.62% recall, and 88.12% f1-score. Although its performance was lower than that of ViT_B_16 and MobileVit, it still outperformed the custom CNN models. Among the custom architectures, the CNN (custom) model achieved 80.77% accuracy, 83.34% precision, 80.77% recall, and 79.20% f1-score, while the VGG-based custom CNN achieved 80.45% accuracy, 83.69% precision, 80.45% recall, and 78.65% f1-score. In conclusion, the TorchVision ViT_B_16 model outperformed all other models in pneumonia detection, demonstrating the highest performance in terms of accuracy, precision, recall, and f1-score.

Benzer Tezler

  1. Tez No

    847190

    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

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  2. Tez No

    960408

    Çekişmeli üretken ağlarla sentetik veri üretiminin model başarımını arttırmadaki etkisinin incelenmesi

    Investigation of the effect of synthetic data generation with generative adversarial networks on model performance improvement

    MUHAMMED MİRAC KOÇAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuğla Sıtkı Koçman Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜRCAN ÇETİN

  3. Tez No

    851012

    Sayısal veri ve göğüs röntgen görüntülerinden derin öğrenme yaklaşımları ile pnömoni tespiti

    Pneumonia detection with deep learning approaches from numerical data and chest X-ray images

    ZEHRA KADİROĞLU

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Elektrik-Elektronik Mühendisliği Teknolojileri Ana Bilim Dalı

    PROF. DR. HANİFİ GÜLDEMİR

    PROF. DR. ABDURRAHMAN ŞENYİĞİT

  4. Tez No

    988238

    Çocuk akciğer x-ışını görüntülerinin derin öğrenme yöntemleri ile analizi

    Analysis of child lung x-ray images with deep learningmethods

    ÇAĞDAŞ ŞİMŞEK

    Doktora

    Türkçe

    Türkçe

    2025

    Fizik ve Fizik Mühendisliğiİstanbul Üniversitesi

    Fizik Ana Bilim Dalı

    PROF. DR. SUAT ÖZKORUCUKLU

  5. Tez No

    871959

    Derin öğrenme ile radyolojik görüntüler üzerinden COVID-19 tespiti

    COVID-19 detection in radiological images with deep learning

    TANJU CEYLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTokat Gaziosmanpaşa Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖZKAN İNİK

Geri Dön