Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: Halise Nur AYDIN
Danışman: Oktay Yıldız
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Vücut içindeki anatomik yapıları ve organları incelemek için tıbbi görüntüleme teknikleri yaygın olarak kullanılır. Tıbbi görüntüleme teknikleri, hastalıkların erken teşhis edilmesini sağlayarak hastalığın ilerlemesini engellemekte, hekimlere teşhis konusunda yardımcı olmakta, tedaviye hızlı bir başlangıç yapılmasını sağlamakta ve tedavi sürecinin izlenmesini kolaylaştırmaktadır. Bununla birlikte bilgisayar destekli tanı sistemleri hekimlere yardımcı olurken, bu tür sistemlerde özellikle derin öğrenme modelleri gibi yapay zeka yöntemleri önemli bir rol oynamaktadır. Bu modeller, karmaşık bir yapıya sahip olabilirler, bunun yanı sıra zaman ve maliyet açısından sorunlar yaratabilirler. Bu tez çalışması kapsamında tıbbi görüntülerin sınıflandırılması için karmaşıklığı arttırmadan yüksek doğruluk sağlayan etkin bir model önerilmektedir. Önerilen model ile literatürdeki çalışmalardan daha yüksek doğruluk elde edilmesi amaçlanmış, sunulan modelde Inception bloğu ile özellik çıkarılması; ECA bloğu ile daha önemli olabilecek özelliklere odaklanılması; ASPP bloğu ile de bilgilendirici bağlam bilgisine sahip özellikler elde edilmesi amaçlanmıştır. Önerilen model beyin, böbrek, meme kanseri veri kümeleri üzerinde eğitilmiş ve test işlemleri gerçekleştirilmiştir. Beyin tümörünün sınıflandırılması için BT-large-4C veri kümesi ve Figshare veri kümesi; böbreklerde taş, kist, tümör ve normal etiketine sahip görüntülerin sınıflandırılması için BT Kidney veri kümesi; meme kanseri tümörünün sınıflandırılması için BreaKHis veri kümesi kullanılmıştır. Elde edilen sonuçlar literatürde var olan yöntemlerle karşılaştırılmış, geliştirilen modelin beyin ve böbrek veri kümelerinde daha başarılı sınıflandırma yaptığı gözlemlenmiştir. Gerçekleştirilen deneysel çalışmalarda önerilen model dört veri kümesi üzerinde eğitilmiş ve test edilmiştir. Buna göre elde edilen doğruluk değerleri BT-large-4C veri kümesi için %98,05; Figshare veri kümesi için %99,84; BT Kidney veri kümesi için %99,5; BreaKHis veri kümesi için de %96,98’dir.
Anahtar Kelimeler : Evrişimli sinir ağları, sınıflandırma, beyin tümörü, böbrek hastalığı, meme kanseri, ECA, ASPP, Inception