Evaluating the impact of different preprocessing techniques on image analysis results
Farkli ön işleme tekniklerinin görüntü analiz sonuçlari üzerindeki etkisinin değerlendirilmesi
- Tez No: 986155
- Danışmanlar: YRD. DOÇ. DR. WADHAH ZEYAD TAREQ AL GBARI
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstinye Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Veri artırımı, derin öğrenme modellerinin özellikle tıbbi görüntülemede etkinliğini artırmak için hayati öneme sahiptir. Geniş yelpazedeki artırma stratejileri, cilt lezyonu sınıflandırmasında en etkili yöntemlerin belirlenmesini zorlaştırmakta ve bu durum model doğruluğu ile genelleştirme yeteneğinin geliştirilmesini engellemektedir. Bu sorunu ele almak için, HAM10000 veri kümesi kullanılarak dört farklı artırma tekniğini—in renk uzayı dönüşümleri (doygunluk, ton, parlaklık, kontrast), gürültü ekleme, rastgele silme ve geometrik modifikasyonlar (döndürme, çevirme, ölçeklendirme, kırpma, kaydırma) —sistematik olarak inceledik ve karşılaştırdık. Bu stratejiler, doğruluk, hassaslık, duyarlılık ve F1 skoru gibi ölçütlerle değerlendirilen çeşitli derin öğrenme mimarileri üzerinde test edildi. Bulgularımız, göreve özgü artırma işlemlerinin önemini ortaya koymaktadır: özellikle doygunluk ve renk dönüşümleri en yüksek performans artışlarını sağlayarak GoogLeNet modelinin %82,73 test doğruluğu ve 0,8205 F1 skoruna ulaşmasını sağladı. Buna karşılık, parlaklık-kontrast ayarları ve geometrik dönüşümlerin etkinliği, kullanılan mimariye bağlı olarak tutarsız sonuçlar verdi. Bu çalışma, özenle seçilmiş artırma yöntemlerinin tıbbi görüntüleme modellerinin performansını önemli ölçüde iyileştirebileceğini göstererek araştırmacılara pratik bir rehber sunmaktadır.
Özet (Çeviri)
Data augmentation has become indispensable for training deep convolutional neural networks (CNNs) when labelled medical images are scarce. By synthetically enlarging datasets through transformations such as geometric warping, color perturbations, noise addition, and random erasure, augmentation not only increases data volume but also improves model robustness to variations in lesion orientation, lighting, and imaging artifacts. In dermatology, the publicly available HAM10000 dataset (10 015 dermoscopic images across seven diagnostic categories) provides a benchmark for evaluating augmentation strategies. In this work, we systematically compare four augmentation families (1) colour‐space transformations (saturation, hue, brightness, contrast), (2) noise injection, (3) random erasure, and (4) geometric modifications (rotation, flipping, scaling, cropping, translation) across three CNN architectures (ResNet34, GoogLeNet, MobileNetV3). To address the issue of class imbalance in the dataset, we applied a balancing approach combining oversampling of minority classes and undersampling for evaluation purposes. Performance was assessed using accuracy, precision, recall, and F1‐score. Our results reveal that saturation and hue adjustments consistently yield the greatest performance gains (GoogLeNet: 82.73 % test accuracy, F1 0.8205), whereas brightness–contrast tweaks and geometric transforms exhibit architecture‐dependent effects.
Benzer Tezler
- Karayollarında kullanılan otomobillerin görüntü işleme teknikleri ile marka model tespiti ve buna bağlı ticari pazar araştırması
Brand model detection of automobiles used on highways using image processing techniques and related commercial market research
RECEP ARSLAN
Yüksek Lisans
Türkçe
2025
Mekatronik MühendisliğiIsparta Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HİLMİ CENK BAYRAKÇI
DR. ÖĞR. ÜYESİ MERDAN ÖZKAHRAMAN
- Geri dönüştürülebilir atıkların derin öğrenme modelleri ile sınıflandırılması: Veri seti boyutunun etkisi üzerine bir karşılaştırma
Classification of recyclable wastes with deep learning models: A comparison on the effect of dataset size
GAMZE AĞIRTAŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN
- Enhancing human resource decision making with image-based OSMI data analysis: leveraging PIX2PIX for accurate workplace mental health insights
İş yeri mental sağlık incelemeleri için PIX2PIX kullanarak, görüntü tabanlı OSMI veri analiziyle insan kaynakları karar süreçlerini geliştirme
FARIBA FARID
Yüksek Lisans
İngilizce
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. NİZAMETTİN BAYYURT
- Advanced techniques and comprehensive analysis in speech emotion recognition using deep neural networks
Derin sinir ağları kullanarak konuşma duygu tanıma üzerine gelişmiş teknikler ve kapsamlı analiz
AHMET KEMAL YETKİN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE
- Segmentation of magnetic resonance images with deep learning for the diagnosis of hepatocellular carcinoma
Hepatoselüler karsinomun tanısı için derin öğrenme ile manyetik rezonans görüntülerinin segmentasyonu
ÖMER IŞIK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAdana Alparslan Türkeş Bilim ve Teknoloji ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ÇAĞATAY NEFTALİ TÜLÜ
PROF. DR. TURGAY İBRİKÇİ