Treffer: Transfer öğrenme ve derin öğrenme kullanılarak beyin tümörü teşhisi ; Diagnosis of brain tumor using transfer learning and deep learning methods

Title:
Transfer öğrenme ve derin öğrenme kullanılarak beyin tümörü teşhisi ; Diagnosis of brain tumor using transfer learning and deep learning methods
Authors:
Contributors:
Orman, Zeynep
Publisher Information:
İstanbul Üniversitesi-Cerrahpaşa
Publication Year:
2025
Document Type:
Dissertation master thesis
Language:
Turkish
Relation:
Rights:
info:eu-repo/semantics/openAccess
Accession Number:
edsbas.99D9C99F
Database:
BASE

Weitere Informationen

Beyin tümörleri, erken teşhis gerektiren ciddi sağlık sorunlarından biridir. Son yıllarda yapay zekâ tabanlı yöntemler, tıbbi görüntüleme verilerinden tümör tespiti amacıyla yaygın biçimde kullanılmaya başlanmıştır. Ancak, sınırlı örnek sayısına sahip veri kümeleriyle çalışmak, doğru ve güvenilir teşhisi zorlaştırmaktadır. Bu tez çalışmasında, manyetik rezonans (MR) görüntülerinden beyin tümörü varlığını tespit etmek amacıyla, transfer öğrenme kullanılarak VGG16, InceptionV3, ResNet50, EfficientNetB0 ve MobileNetV2 mimarilerini temel alan derin öğrenme modelleri geliştirilmiştir. Tüm modellerde, önceden eğitilmiş yapılar üzerine özelleştirilmiş katmanlar eklenmiş; az sayıda veriyle daha güçlü genelleme başarısı elde edebilmek için veri artırımı ve ince ayar işlemi uygulanmıştır. Modelin eğitim ve doğrulama aşamalarında, Kaggle platformundan erişilen açık kaynaklı "Brain Tumor Dataset" kullanılmış; test aşamasında ise bu veri kümesine ek olarak, "Brain Tumor Classification through MRI" veri kümesinden örnekler de dâhil edilmiştir. Değerlendirme sonuçlarına göre, en yüksek başarıya ulaşan modeller VGG16 ve InceptionV3 olmuştur. VGG16 tabanlı model, .99 eğitim doğruluğu, .00 doğrulama doğruluğu ve .75 F1 skoru ile yüksek doğrulukta tespit ve genelleme performansı göstermiştir. InceptionV3 tabanlı model ise .87 eğitim doğruluğu, .50 doğrulama doğruluğu ve .75 F1 skoru ile benzer şekilde güçlü sonuçlar sunmuştur. Her iki modelde de negatif örneklerin tamamı doğru tahmin edilmiş, pozitif sınıfta ise yalnızca birer yanlış tahmin yapılmıştır; bu durum, modellerin duyarlılık ve özgüllük açısından dengeli ve güvenilir bir başarı sağladığını ortaya koymuştur. Bu çalışma ile, farklı transfer öğrenme mimarilerini temel alarak geliştirilen modellerin performansları kıyaslanmış ve beyin tümörlerinin otomatik, doğru ve erken tespitinde başarılı sonuçlar veren iki farklı model ile literatüre katkı sağlanmıştır. ; Brain tumors are serious health problems that require early diagnosis. In recent years, artificial intelligence-based ...