Hibrit Aktarım Öğrenme Tekniklerini Kullanarak Beyin Tümörü Sınıflandırmasında Yeni Sonuçlar

Hibrit Aktarım Öğrenme Tekniklerini Kullanarak Beyin Tümörü Sınıflandırmasında Yeni Sonuçlar

Bu çalışmada derin öğrenme modelleri kullanılarak beyin MR görüntüleri işlenmiştir. Kullanılan veri seti tümör bulunan ve bulunmayan görüntülerden oluşmaktadır. Bu görüntüler bazı ön-işleme aşamalarından geçerek modellerin eğitimi için uygun hale getirilmektedir. Çalışmada kullanılan derin öğrenme m...

Full description

Saved in:
Bibliographic Details
Main Authors: Doğukan Kalender, Atahan Öztürk, Ömer Bilgin, Durmuş Özkan Şahin
Format: Article
Language:English
Published: Gazi University 2025-03-01
Series:Gazi Üniversitesi Fen Bilimleri Dergisi
Subjects:
derin öğrenme
beyin tümörü tespiti
aktarım öğrenmesi
görüntü işleme
tıbbi görüntü
tıbbi görüntü sınıflandırma
Online Access:https://dergipark.org.tr/tr/pub/gujsc/issue/90949/1501181
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:Bu çalışmada derin öğrenme modelleri kullanılarak beyin MR görüntüleri işlenmiştir. Kullanılan veri seti tümör bulunan ve bulunmayan görüntülerden oluşmaktadır. Bu görüntüler bazı ön-işleme aşamalarından geçerek modellerin eğitimi için uygun hale getirilmektedir. Çalışmada kullanılan derin öğrenme modelleri aktarım öğrenmesine dayalı modellerden oluşmaktadır. Bunlar MobileNet, VGG19, DenseNet169, AlexNet, ResNet101 ve InceptionV3 modelleridir. Bu modeller önceden eğitilmiş yapıda bulunmaktadır. Bu nedenle derin öğrenme modellerinin daha iyi genelleme yaparak doğru tahminlerde bulunmasını sağlarlar. Modellerin performansını arttırmak için veri arttırma, erken durduma, öğrenme oranı zamanlayıcısı, katman dondurma ve özel katmanların eklenmesi gibi yöntemler kullanılmıştır. Yapılan deneylerde en yüksek başarım doğruluk metriğine göre %98.63 ile MobileNet modelinden elde edilmektedir. Daha sonra deneylerden elde edilen sonuçlara göre en başarılı üç modelin ikili kombinasyonları alınarak hibrit modeller oluşturulmuştur. Önerilen bu hibrit modellerin kullanılması ile elde edilen en yüksek başarım doğruluk metriğine göre %99.21’dir. Bu sonuç VGG19 ve DenseNet169 modellerinin birleştirilmesiyle elde edilmiştir. Tüm hibrit modellerden elde edilen sonuçlar göz önünde bulundurulduğunda sınıflandırma başarımında %2’den fazla iyileştirme sağlanmıştır.
ISSN:2147-9526

Similar Items