Beyin tümörünün derin öğrenme yaklaşımları kullanılarak tespit edilmesi
Yükleniyor...
Tarih
2024-09-27
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu yüksek lisans tezi, beyin tümörlerinin tespiti için derin öğrenme yöntemlerinin kullanımını incelemektedir. Beyin tümörleri, dünya genelinde nadir görülmelerine rağmen yüksek ölüm oranlarına sahip ciddi malignitelerdir. Erken teşhis ve doğru sınıflandırma, tedavi sürecinde hayati öneme sahiptir. Bu çalışmada, derin öğrenme yöntemlerinin, özellikle evrişimsel sinir ağlarının (ESA), beyin tümörlerinin tespiti ve sınıflandırılması üzerindeki performansı değerlendirilmektedir. Çeşitli derin öğrenme modelleri ve makine öğrenmesi algoritmaları kullanılarak, beyin tümörlerinin MRI ve BT görüntülerinden tespit edilmesi amaçlanmıştır. Çalışmada VGG19, Inception V3 ve MobileNet gibi derin öğrenme modelleri ile K-En Yakın Komşu (k-NN) ve Destek Vektör Makineleri (DVM) gibi makine öğrenme algoritmaları kullanılmıştır. Model performansları doğruluk, hassasiyet, duyarlılık, F1 skoru ve ROC-AUC gibi metriklerle değerlendirilmiştir. Elde edilen sonuçlar, derin öğrenme modellerinin beyin tümörlerinin tespitinde yüksek doğruluk ve güvenilirlik sunduğunu göstermektedir. Özellikle VGG19 modelinin diğer modellere kıyasla daha yüksek performans sergilediği tespit edilmiştir.
Bu bulgular, derin öğrenme yöntemlerinin tıbbi görüntü analizi alanında etkili bir araç olabileceğini ve klinik uygulamalarda kullanılabilirliğini göstermektedir. Gelecekteki çalışmalarda, daha büyük veri setleri ve farklı derin öğrenme modelleri kullanılarak performansın daha da artırılması hedeflenebilir.
This master's thesis examines the use of deep learning methods for the detection of brain tumors. Brain tumors, though relatively rare worldwide, are serious malignancies with high mortality rates. Early diagnosis and accurate classification are crucial in the treatment process. This study evaluates the performance of deep learning methods, particularly convolutional neural networks (CNNs), in detecting and classifying brain tumors. The aim is to detect brain tumors from MRI and CT images using various deep learning models and machine learning algorithms. In this study, deep learning models such as VGG19, Inception V3, and MobileNet, along with machine learning algorithms like K-Nearest Neighbors (K-NN ) and Support Vector Machines (SVM), were utilized. Model performances were evaluated using metrics such as accuracy, precision, recall, F1 score, and ROC-AUC. The results indicate that deep learning models offer high accuracy and reliability in detecting brain tumors. Notably, the VGG19 model demonstrated superior performance compared to other models. These findings suggest that deep learning methods can be an effective tool in medical image analysis and have potential applicability in clinical practice. Future studies may focus on improving performance by using larger datasets and different deep learning models.
This master's thesis examines the use of deep learning methods for the detection of brain tumors. Brain tumors, though relatively rare worldwide, are serious malignancies with high mortality rates. Early diagnosis and accurate classification are crucial in the treatment process. This study evaluates the performance of deep learning methods, particularly convolutional neural networks (CNNs), in detecting and classifying brain tumors. The aim is to detect brain tumors from MRI and CT images using various deep learning models and machine learning algorithms. In this study, deep learning models such as VGG19, Inception V3, and MobileNet, along with machine learning algorithms like K-Nearest Neighbors (K-NN ) and Support Vector Machines (SVM), were utilized. Model performances were evaluated using metrics such as accuracy, precision, recall, F1 score, and ROC-AUC. The results indicate that deep learning models offer high accuracy and reliability in detecting brain tumors. Notably, the VGG19 model demonstrated superior performance compared to other models. These findings suggest that deep learning methods can be an effective tool in medical image analysis and have potential applicability in clinical practice. Future studies may focus on improving performance by using larger datasets and different deep learning models.
Açıklama
Anahtar Kelimeler
Beyin Tümörü, Bilgisayarlı Tomografi, Derin Öğrenme, Evrişimsel Sinir Ağları, Makine Öğrenmesi, Computed Tomography, Convolutional Neural Networks, Deep Learning, Lung Cancer, Transfer Learning
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Aslım, C. (2024). Beyin tümörünün derin öğrenme yaklaşımları kullanılarak tespit edilmesi. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman
