Derin öğrenme algoritmaları ile yumurtalıklarda kanserli hücre tespiti
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Bilecik Şeyh Edebali Üniversitesi, LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: HAZAL PARLAK
Danışman: Burakhan Çubukçu
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bu çalışma, yumurtalık kanseri hücrelerini sınıflandırmak amacıyla çeşitli derin öğrenme mimarilerinin (ResNet-50, EfficientNetB0, DenseNet121, MobileNetV2 ve InceptionV3) performanslarını değerlendirmektedir. Her bir model, yumurtalık kanserinin beş farklı alt türüne (Clear Cell, Endometri, Mucinous, Non_Cancerous, Serous) ait veriler kullanılarak eğitildi ve test edildi. Veri seti eğitim, doğrulama ve test olarak üç ana bölüme ayırıldı ve veri artırma teknikleri kullanarak eğitim verisinin çeşitliliğini arttırılmıştır. Modellerin eğitimi sırasında modeller, önceden eğitilmiş ağırlıklarla yüklendi ve üst katmanları çıkarılarak özel sınıflandırıcı katmanlar eklendi. Eğitim sürecinde, sınıf ağırlıkları hesaplamaları, kategorik çapraz entropi kaybı ve ince ayar yöntemleri kullanılarak bu yöntemlerin başarımları da değerlendirilmiştir. Modellerin performansı, başarım grafikleri, sınıf bazlı sonuçlar ve karmaşıklık matrisleri ile gösterilmiş ve doğruluk, hassasiyet, geri çağırma ve F1-skoru metrikleri kullanılarak değerlendirilmiştir. Elde edilen sonuçlar, ince ayarlı modellerin genellikle daha iyi performans gösterdiğini ve belirli modellerin belirli sınıflar için daha uygun olduğunu göstermektedir. EfficientB0 modelinin tüm sınıflarda yüksek doğruluk oranlarına ulaştığı gözlemlenmiştir. Modelin genel doğruluğu %98,87'ye ulaşmıştır; bu sonuç, kanser sınıflandırmasında önerilen yöntemin umut verici olduğu şeklinde değerlendirilmektedir. EfficientB0 modelinden sonra başarımı en yüksek model ResNet50'dir. ResNet50, yüksek hassasiyet, geri çağırma, F1 skoru ve doğruluk elde ederken, makro ortalama değerleri diğer modellere göre daha yüksektir. Diğer modellerin performansı, bu iki modelin gerisinde kalmaktadır. Bu sonuçlar, ResNet50 ve EfficientB0'un önerilen modeller olarak değerlendirilmesini desteklemektedir. Çalışmanın sonuçları, derin öğrenme modellerinin yumurtalık kanseri sınıflandırması alanında etkin bir şekilde kullanılabileceğini ve gelecekteki çalışmalar için değerli bir rehberlik kaynağı olabileceğini göstermektedir. Bu sonuçlar, daha etkili ve hassas tanı yöntemlerinin geliştirilmesine yönelik önemli bir adım olarak değerlendirilebilir.