Gan tabanlı sentetik veri üretiminin h&e boyalıinvaziv duktal karsinom histopatolojik görüntülerüzerinde evrişimsel sinir ağı tabanlı sınıflandırıcıperformansına etkisi
The effect of gan-based synthetic data generation on the performance of a convolutional neural network classifier in h&e-stained invasive ductal carcinoma histopathological images
- Tez No: 997837
- Danışmanlar: DR. ÖĞR. ÜYESİ DİDEM ÖLÇER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayarlı görüntüleme, Derin öğrenme, Görüntü sınıflandırma, Karsinoma-duktal, Makine öğrenmesi, Computer imaging, Deep learning, Image classification, Carcinoma-ductal, Machine learning
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Başkent Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
İnvaziv Duktal Karsinom, insan hayatını tehdit eden en yaygın meme kanseri türlerinden biridir. Bu alanda derlenmiş veri kümelerindeki sınıf dengesizliği, medikal görüntü analizinde derin öğrenme tabanlı modellerin efektif biçimde eğitilmesini zorlaştıran temel problemlerden biridir. Bu çalışmada, DCGAN kullanılarak üretilen sentetik histopatolojik görüntülerin, H&E boyalı IDC görüntülerinde CNN tabanlı sınıflandırma performansına etkisi deneysel olarak incelenmiştir. Sentetik görüntüleri, DCGAN mimarisi kullanılarak üretilmiş; üretici ve ayırt edici ağ mimarileri eğitim kararlılığını ve örnek çeşitliliğini artırmak üzere spectral normalization, dropout, bilinear upsampling ve kayıp fonksiyonları gibi yapısal iyileştirmeler uygulanmıştır. Gerçek veri kümesi ve eğitim konfigürasyonu sabit tutularak arttırılan sentetik IDC pozitif örnek sayıları ile kademeli zenginleştirme deneyleri gerçekleştirilmiştir. Üretilen sentetik görüntülerin kalitesi FID metriği ile değerlendirilirken, sınıflandırma performansı doğruluk, duyarlılık, özgüllük, kesinlik, F1-skoru ile ROC-AUC ve Precision–Recall eğrileri üzerinden analiz edilmiştir. Elde edilen sonuçlar, DCGAN tabanlı sentetik veri iyileştirme uygulamalarının, sınıflandırma performansını belirli bir karışım oranına kadar anlamlı biçimde iyileştirdiğini, ancak bu eşik sonrasında performans kazanımlarının duraksadığını ortaya koymuştur. Özellikle IDC pozitif sınıfına ait duyarlılık değerlerindeki artış, yanlış negatif tahminlerin azaltılması açısından klinik olarak anlamlıdır. Sonuç olarak bu çalışma, histopatolojik görüntü sınıflandırmasında DCGAN tabanlı sentetik veri kullanımının kontrollü biçimde ele alınması gerektiğini deneysel olarak ortaya koymakta ve sentetik veri miktarının sınıflandırıcı performansına etkisini veri zenginleştirme perspektifiyle analiz ederek literatüre özgün ve uygulanabilir bir katkı sunmaktadır.
Özet (Çeviri)
Class imbalance and data limitations of histopathological datasets introduces significant challenges for training high performance and effective deep learning models in medical image analysis. In this thesis study, the DCGAN-based synthetic data augmentation effects on the performance of a convolutional neural networks is experimentally explored for H&E stained Invasive Ductal Carcinoma WSI patches. Synthetic images were generated using a DCGAN, in which both the generator and discriminator architectures were carefully designed with structural enhancements such as spectral normalization, dropout, bilinear upsampling and loss functions to improve training stability, morphological awareness and diversity of the generated data. The quality of generated images was evaluated using the FID score. While keeping the real dataset and training configuration fixed, saturation experiments were conducted by incrementally increasing the number of synthetic IDC-positive samples. The classification performance was assessed through accuracy, recall, specificity, precision, F1-score, as well as ROC and Precision–Recall curves. The experimental results demonstrate that synthetic data augmentation using DCGAN results in meaningful performance improvements up to an optimal threshold, beyond which performance begins plateau. The improvements in recall for the IDC-positive class are clinically important due to the reduction of false-negative predictions, ie. missed cancer diagnosis. Overall, this study provides experimental evidence that synthetic data augmentation using DCGAN should be applied in a controlled manner with various saturation experiments for histopathological image classification and offers valuable impact for synthetic data augmentation of datasets on CNN-based classifier models for IDC Cancer classification.
Benzer Tezler
- 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
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuğla Sıtkı Koçman ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜRCAN ÇETİN
- Infogan ve RDA-GAN kullanılarak veri artırımının evrişimsel sinir ağları üzerine etkisi
The effect of data augmentation using infogan and RDA-GAN on convolutional neural networks
SAFA OFLAS
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolVan Yüzüncü Yıl ÜniversitesiYapay Zeka ve Robotik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FİKRİYE ATAMAN
- Generating synthetic data for user behavior based intrusion detection systems
Kullanıcı davranışına dayalı saldırı tespit sistemleri için sentetik veri oluşturulması
UGHUR IBRAHIMOV
Yüksek Lisans
İngilizce
2024
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ENVER ÖZDEMİR
- Yapay zeka ve mimarlık etkileşimi üzerine bir çalışma:Üretken çekişmeli ağ algoritması ile otonom mimari plan üretimi ve değerlendirmesi
A study on interaction of artificial intelligence and architecture: Production and evaluation of architectural plans with generative adversarial networks
CAN UZUN
Doktora
Türkçe
2020
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. MERYEM BİRGÜL ÇOLAKOĞLU
- Sentetik çok değişkenli veri üretimi için oyun teorisi tabanlı çekişmeli öğrenme: özgün bir gan mimarisi (statd²gan)
Game theory-based adversarial learning for synthetic multivariate data generation: A novel gan architecture (statd²gan)
MUSTAFA ÖZAYTAÇ
Yüksek Lisans
Türkçe
2025
İstatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. ÖZGE KARADAĞ ATAŞ