Diyabetik ayak ülserlerinin yapay zekâ ile tespiti
| dc.authorid | 0009-0009-7998-8747 | |
| dc.contributor.advisor | Kaya, Yılmaz | |
| dc.contributor.author | Özdaş, Murat | |
| dc.date.accessioned | 2025-09-09T05:05:04Z | |
| dc.date.available | 2025-09-09T05:05:04Z | |
| dc.date.issued | 2025-07-30 | |
| dc.department | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü Bilgi Teknolojileri Anabilim Dalı | |
| dc.description.abstract | Diyabetik ayak ülseri (DAU), diyabet hastalarında enfeksiyon, uzuv kaybı ve mortalite oranlarını artıran ciddi bir sağlık sorunudur. Erken teşhis edilmediğinde hasta yaşam kalitesini düşürmekte ve sağlık sistemine önemli bir yük getirmektedir. Bu çalışmada, DAU’nun doğru ve erken tespiti amacıyla derin öğrenme tabanlı sınıflandırma modelleri değerlendirilmiştir. Kaggle platformundan temin edilen, uzman doktorlarca etiketlenmiş DFU görüntüleri; RegNetY-400MF, RegNetY-800MF, EfficientNet-B0 ve EfficientNet-B1 olmak üzere dört farklı evrişimsel sinir ağı (CNN) mimarisi ile analiz edilmiştir. Transfer öğrenme ve veri çoğaltma yöntemleriyle model eğitimi iyileştirilmiş; kontrast artırma ve gürültü giderme gibi ön işleme adımları ile sınıflandırma başarımı artırılmıştır. Analiz sonuçları, EfficientNet-B1 ve RegNetY-800MF modellerinin yüksek doğruluk, düşük kayıp ve güçlü genelleme yetenekleri ile öne çıktığını göstermiştir. EfficientNet-B1 modeli %99’un üzerinde doğruluk ile en başarılı sonuçları sunarken; RegNetY-800MF modeli ise hem eğitim hem test verilerinde istikrarlı bir performans sergilemiştir. RegNetY-400MF modeli eğitimde yüksek başarı elde etmesine rağmen test aşamasında dalgalanmalar yaşamıştır. EfficientNet-B0 modeli ise kompakt yapısı sayesinde düşük kaynaklı sistemlerde uygun bir alternatif olarak değerlendirilmiştir. Tartışma bölümünde, tüm modellerin duyarlılık oranlarının %100’e yakın olduğu ve ülserli vakaların atlanmadığı belirlenmiştir. ROC eğrileri ve AUC değerleri bakımından EfficientNet-B1 ve RegNetY-800MF modelleri, klinik uygulamalarda kullanılabilecek güvenilir yapılar olarak öne çıkmıştır. Özgüllük oranlarının da yüksek bulunması, yanlış pozitif oranını minimize eden bir yapı sunmuştur. Sonuç olarak, bu tez çalışması, DAU tanısında yapay zekâ destekli çözümlerin hem akademik araştırmalarda hem de klinik pratikte uygulanabilirliğini ortaya koymuştur. | |
| dc.description.abstract | Diabetic foot ulcer (DFU) is a severe health complication in diabetic patients that significantly increases the risk of infection, limb loss, and mortality. If not diagnosed early, it substantially reduces patient quality of life and imposes a considerable burden on healthcare systems. In this study, deep learning-based classification models were evaluated for the accurate and early detection of DFU. DFU images, labeled by expert physicians and obtained from the Kaggle platform, were analyzed using four different convolutional neural network (CNN) architectures: RegNetY-400MF, RegNetY-800MF, EfficientNet-B0, and EfficientNet-B1. The training process was enhanced through transfer learning and data augmentation techniques, while image preprocessing steps such as contrast enhancement and noise reduction further improved classification performance. The analysis results demonstrated that EfficientNet-B1 and RegNetY-800MF outperformed the others, exhibiting high accuracy, low loss, and strong generalization capabilities. The EfficientNet-B1 model achieved the highest results with an accuracy exceeding 99%, whereas RegNetY-800MF also showed consistent performance on both training and testing datasets. Although the RegNetY-400MF model achieved high success during training, it exhibited fluctuations during testing. In contrast, the EfficientNet-B0 model, with its more compact architecture, was evaluated as a suitable alternative for systems with limited computational resources. The discussion section revealed that all models achieved sensitivity rates close to 100%, ensuring that no ulcerated cases were missed. In terms of ROC curves and AUC values, EfficientNet-B1 and RegNetY-800MF stood out as reliable structures potentially applicable in clinical settings. Moreover, the high specificity rates indicated a minimized false positive ratio. In conclusion, this thesis demonstrates that artificial intelligence-assisted solutions for DFU diagnosis are applicable in both academic research and clinical practice. | |
| dc.identifier.citation | Özdaş, M. (2025). Diyabetik ayak ülserlerinin yapay zekâ ile tespiti. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12402/4980 | |
| dc.language.iso | tr | |
| dc.publisher | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Yapay Zekâ | |
| dc.subject | Derin Öğrenme | |
| dc.subject | Tıbbi Görüntüleme | |
| dc.subject | Evrişimsel Sinir Ağları | |
| dc.subject | Sınıflandırma Modelleri | |
| dc.subject | Diyabetik Ayak Ülseri | |
| dc.subject | RegNet | |
| dc.subject | EfficientNet | |
| dc.subject | Artificial Intelligence | |
| dc.subject | Deep Learning | |
| dc.subject | Medical Imaging | |
| dc.subject | Convolutional Neural Networks | |
| dc.subject | Classification Models | |
| dc.subject | Diabetic Foot Ulcer | |
| dc.title | Diyabetik ayak ülserlerinin yapay zekâ ile tespiti | |
| dc.title.alternative | Detection of diabetic foot ulcers using artificial intelligence | |
| dc.type | Master Thesis |
