Optimize Edilmiş Hibrit Derin Öğrenme Modeli ile Beyin MR Görüntülerinde Tümör Sınıflandırılması
Tumor classification in brain mri images using an optimized hybrid deep learning model
- Tez No: 989734
- Danışmanlar: DOÇ. DR. ALİ YILDIZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda derin öğrenme tabanlı yöntemler, tıbbi görüntü analizinde manyetik rezonans (MR) görüntülerinden beyin tümörlerinin otomatik tespiti ve sınıflandırılmasında dikkat çekici başarılar göstermiştir. Ancak MR görüntülerinin manuel olarak yorumlanması, zaman alıcı, uzmanlara bağımlı ve öznel bir süreç olduğundan, otomatik karar destek sistemlerine duyulan gereksinim giderek artmaktadır. Bu tez çalışmasında, literatürdeki önde gelen Konvolüsyonel sinir ağı (Convolutional Neural Networks – CNN) mimarilerinin EfficientNet, ResNet ve DenseNet yapısal üstünlükleri birleştirilerek NeuroTriNet adı verilen yeni bir hibrit CNN modeli önerilmiştir. Önerilen mimari, EfficientNet'in parametre verimliliğini, ResNet'in gradyan kararlılığını ve DenseNet'in yoğun öznitelik paylaşımını tek bir modelde bütünleştirmektedir. Modelin hiperparametreleri, Optuna tabanlı Hiperparametre Optimizasyonu (HPO) yöntemi ile Tree-Structured Parzen Estimator (TPE) örnekleme stratejisi ve MedianPruner erken durdurma algoritması kullanılarak optimize edilmiştir. Eğitim sürecinde, sınıf dengesizliklerini azaltmak amacıyla Focal Loss fonksiyonu tercih edilmiştir. Deneysel tez çalışmaları, birleştirilmiş beyin MR veri kümesi üzerinde yürütülmüştür. Veri kümesi, açık kaynak olarak sunulan IEEE ve Kaggle kaynaklarından elde edilen glioma, meningioma ve sağlıklı beyin sınıflarından oluşmaktadır. Eğitim verileri için çeşitli veri artırma teknikleri uygulanmış, görüntüler 256×256x3 boyutunda normalize edilmiştir. Performans değerlendirmesi doğruluk, makro F1-skoru ve ROC-AUC metrikleri üzerinden gerçekleştirilmiştir. Önerilen NeuroTriNet modeli, doğrulama kümesi üzerinde %98,95 doğruluk ve %98,95 makro F1-skoru elde ederek yüksek ve dengeli bir sınıflandırma başarımı sergilemiştir. Bağımsız test kümesi sonuçları incelendiğinde ise modelin %92,81 doğruluk ve %92,71 makro F1-skoru ile güçlü bir genelleme yeteneğine sahip olduğu görülmüştür. Bu tez çalışmasında, beyin tümörü sınıflandırması alanında optimize edilmiş, açıklanabilir ve hesaplama açısından verimli bir derin öğrenme modeli sunmaktadır. Önerilen NeuroTriNet, medikal görüntü analizinde hibrit CNN mimarilerinin etkinliğini ortaya koyarak, klinik karar destek sistemlerinin geliştirilmesine katkı sağlamayı hedeflemektedir.
Özet (Çeviri)
In recent years, deep learning–based methods have demonstrated remarkable success in medical image analysis, particularly in the automatic detection and classification of brain tumors from magnetic resonance (MR) images. However, manual interpretation of MR images is a time-consuming, expert- dependent, and subjective process, which has led to an increasing need for automated decision-support systems. In this thesis study, a novel hybrid convolutional neural network (CNN) model named NeuroTriNet is proposed by integrating the structural advantages of prominent CNN architectures in the literatüre EfficientNet, ResNet, and DenseNet. The proposed architecture combines the parameter efficiency of EfficientNet, the gradient stability of ResNet, and the dense feature sharing capability of DenseNet within a single model. The model's hyperparameters were optimized using the Optuna-based Hyperparameter Optimization (HPO) framework, employing the Tree-Structured Parzen Estimator (TPE) sampling strategy and the MedianPruner early-stopping algorithm. During training, the Focal Loss function was utilized to mitigate class imbalance issues. Experimental studies were conducted on a combined brain MR dataset comprising glioma, meningioma, and healthy brain classes, collected from publicly available IEEE and Kaggle sources. Various data augmentation techniques were applied to the training data, and all images were normalized to 256×256×3 dimensions. Performance evaluation was conducted using accuracy, macro F1-score, and ROC-AUC metrics. The proposed NeuroTriNet model demonstrated high and balanced classification performance, achieving 98.95% accuracy and 98.95% macro F1-score on the validation set. When examining the independent test set results, the model was found to have strong generalization capabilities, achieving 92.81% accuracy and 92.71% macro F1-score. This thesis study presents an optimized, explainable, and computationally efficient deep learning model for brain tumor classification. The proposed NeuroTriNet highlights the effectiveness of hybrid CNN architectures in medical image analysis and aims to contribute to the development of clinical decision-support systems.
Benzer Tezler
- Developing a smart method for real -time brain tumor localization and segmentation on ct ımages using hybrid techniques and yolo
Hibrit teknikler ve yolo kullanilarak bt görüntülerinde gerçek zamanli beyin tümörü lokalizasyonu ve segmentasyonu için akilli bir yöntem geliştirilmesi
NUSAIBAH KHALID ABDULMAJEED AL-SALIHI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
PROF. DR. TURGAY İBRİKÇİ
- Hibrit derin öğrenme yöntemleri ile beyin görüntüleri ve klinik özellikleri kullanılarak Alzheimer hastalığı sınıflandırması ve derecelendirilmesi
Classification and rating of Alzheimer's disease by using brain images and clinical features with hybrid deep learning methods
MEHMET EMRE SERTKAYA
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURHAN ERGEN
- Design and optimization of compact vivaldi antenna with matching medium for microwave brain imaging applications
Mikrodalga beyin görüntüleme uygulamaları için eşleştirme ortamına sahip kompak vıvaldı antenin tasarımı ve optimizasyonu
CAFER UYANIK
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
- Nesne tespiti ve görüntü sınıflandırmada derin öğrenme modellerine dayalı yeni yöntemlerin geliştirilmesi
Development of novel deep learning-based methods for object detection and image classification
MALIKI MOUSTAPHA
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CELAL ÖZTÜRK
- Computer vision and hybrid machine learning algorithms on glioblastoma 3D cell culture multiplex environment
Üç boyutlu glioblastoma çoklu hücre kültürü ortamında görüntü işleme ve hibrit makine öğrenmesi algoritmaları
BANU ERDEM