Geri Dön

Comparative analysis of deep learning and traditional machine learning for brain tumor classification in MRI scans

MRI taramalarında beyin tümörü sınıflandırması için derin öğrenme ve geleneksel makine öğreniminin karşılaştırmalı analizi

PDF İndir

  1. Tez No: 951463
  2. Yazar: MUHIADIN MOHAMED SABRIE
  3. Danışmanlar: DR. ÖĞR. ÜYESİ FEHİM KÖYLÜ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

MRI taramalarında beyin tümörlerinin otomatik olarak tanımlanması, tıbbi görüntüleme alanında zor ve önemli bir problemdir. Bu araştırma, tümör sınıflandırması amacıyla geleneksel makine öğrenimi tekniklerini (Rastgele Orman, AdaBoost ve XGBoost) VGG19, ResNet50, DenseNet121, EfficientNetB0 ve MobileNetV2 gibi geslişmiş derin öğrenme modelleriyle karşılaştırmaktadır. Değerlendirilen her model için doğruluğu, kesinliği, geri çağırmayı ve F1 puanını ölçmek amacıyla Kaggle'dan alınan 2.870 MRI görüntüsünden oluşan bir koleksiyonla beş katlı çapraz doğrulama çalışması yürütülmüştür. Geleneksel tekniklerle yan yana getirildiğinde derin öğrenme çerçevelerinde önemli bir gelişme olmuştur; DenseNet121, %99,2'lik en yüksek F1 puanına ve %98,6'lık en yüksek doğruluğa ulaşmıştır. VGG19 ve MobileNetV2 de iyi performans göstermiş ve MobileNetV2 %100 Geri Çağırma elde etmiştir. XGBoost, %96,7 Doğruluk ve F1 Puanı ile diğer makine öğrenimi modellerini geride bıraktı. Sonuçlar, özellikle DenseNet121 olmak üzere derin öğrenme yöntemlerinin sınıflandırma görevleri için klasik algoritmalardan daha etkili olduğunu göstermektedir.

Özet (Çeviri)

The automatic identification of brain tumors in MRI scans is a challenging and important problem in the field of medical imaging. This research compares traditional machine learning techniques (Random Forest, AdaBoost, and XGBoost) with advanced deep learning models such as VGG19, ResNet50, DenseNet121, EfficientNetB0, and MobileNetV2 for the purpose of tumor classification. A five-fold cross-validation study was conducted with a collection of 2,870 MRI images sourced from Kaggle to measure the accuracy, precision, recall, and F1 score for each model evaluated. There has been notable enhancement in deep learning frameworks when juxtaposed with conventional techniques; DenseNet121 achieved the utmost F1 score of 99.2% and the peak accuracy at 98.6%. VGG19 and MobileNetV2 also performed well, with MobileNetV2 achieving 100% Recall. XGBoost outperformed the other machine learning models, with 96.7% Accuracy and F1 Score. The results imply that deep learning methods, particularly DenseNet121 are more effective than classic algorithms for classification tasks.

Benzer Tezler

  1. Tez No

    1005227

    Onkoloji metinlerinde duygu analizi: Makine öğrenmesi, derin öğrenme ve transformer modellerinin karşılaştırmalı incelenmesi ile hasta duygularının ortaya çıkarılması ve sağlık içgörülerinin sağlanması

    Sentiment analysis in oncology texts: Revealing patient emotions and providing health insights through a comparative investigation of machine learning, deep learning, and transformer models

    BERNA ALEMDAĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Biyoistatistikİstanbul Medeniyet Üniversitesi

    Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMET SİNAN BAŞARSLAN

    DR. ÖĞR. ÜYESİ NURGÜL BULUT

  2. Tez No

    996537

    Yaprak görüntülerinden bitki hastalıklarının tespiti ve derin öğrenme yöntemlerinin karşılaştırmalı analizi

    Detection of plant diseases from leaf images and comparative analysis of deep learning methods

    BUSE ÇALIŞIR

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    ZiraatFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BİHTER DAŞ

  3. Tez No

    842476

    Deep learning approaches for hailstorm detection and forecasting using CNN and LSTM algorithms: Comparative evaluation of radar products

    Derin öğrenme yaklaşımlarıyla dolu fırtınası tespiti ve tahmini için CNN ve LSTM algoritmalarının kullanılması: Radar ürünlerinin karşılaştırmalı değerlendirmesi

    NAHİT ÇATMADIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Meteorolojiİstanbul Teknik Üniversitesi

    İklim ve Deniz Bilimleri Ana Bilim Dalı

    PROF. DR. MEHMET SİNAN ÖZEREN

  4. Tez No

    917403

    Makine öğrenmesi yöntemleri ile hibrit ve kompozit ZA-27 alaşımlarının aşınma davranışlarının karşılaştırmalı analizi

    Comparative analysis of wear behavior of hybrid and composite ZA-27 alloys using machine learning methods

    SENA NUR ADIYAMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜLTEKİN ÇAĞIL

  5. Tez No

    1017664

    X (Twitter) duygu sınıflandırmasında derin öğrenme mimarilerinin doğruluk–verimlilik dengesi

    Accuracy-efficiency balance and hardware-awareness comparative analysis in deep learning models for X (Twitter) emotion classification

    SABAH DAWOD

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURCU ÇARKLI YAVUZ

Geri Dön