| Tez Türü | Yüksek Lisans |
| Ülke | Türkiye |
| Üniversite | Tokat Gaziosmanpaşa Üniversitesi |
| Enstitü | Lisansüstü Eğitim Enstitüsü |
| Anabilim Dalı | Bilgisayar Mühendisliği Ana Bilim Dalı |
| Tez Onay Yılı | 2025 |
| Öğrenci Adı ve Soyadı | Emirhan AYDIN |
| Tez Danışmanı | DOÇ. DR. MAHİR KAYA |
| Türkçe Özet | Günümüzde cilt kanserleri, dünya genelinde en yaygın ve ölümcül hastalık türlerinden biri haline gelmiştir. Erken teşhis, hastalığın ilerlemesini önlemede ve tedavi başarısını artırmada kritik bir rol oynamaktadır. Ancak, farklı cilt lezyonlarının görsel olarak benzer özellikler göstermesi, dermatologlar için teşhis sürecini zorlaştırmaktadır. Bu nedenle, bilgisayarlı görüntü analizi ve derin öğrenme tabanlı yaklaşımlar, cilt hastalıklarının otomatik teşhisinde önemli bir araştırma alanı haline gelmiştir.Bu çalışmada, ISIC 2019 veri seti kullanılarak cilt hastalıklarının sınıflandırılmasına yönelik bir derin öğrenme modeli geliştirilmiştir. İlk aşamada, transfer öğrenme yaklaşımıyla beş farklı önceden eğitilmiş mimari incelenmiş ve bu modeller arasından EfficientNetV2S en yüksek F1 skorunu elde ederek temel model olarak seçilmiştir.İkinci aşamada, EfficientNetV2S modeli kanal, uzamsal, sıkma ve özellik çıkarma (SE) gibi dikkat mekanizmalarıyla zenginleştirilmiş, böylece modelin öznitelik seçme ve anlamlı bölgeleri vurgulama yeteneği artırılmıştır.Üçüncü aşamada, geliştirilen bu modelin hiperparametreleri Equilibrium Optimizer (EO) algoritması kullanılarak optimize edilmiştir. EO algoritması, modelin performansını daha üst seviyelere taşıyarak hiperparametre optimizasyonunda etkin bir yöntem olduğunu ortaya koymuştur.Son aşamada, model daha geniş kapsamlı bir veri seti üzerinde yeniden eğitilmiş ve F1 skorunda belirgin bir artış sağlanmıştır. Elde edilen sonuçlar, dikkat mekanizmalarının entegrasyonunun, EO tabanlı hiperparametre optimizasyonunun ve daha büyük veri setleriyle eğitimin model başarısını anlamlı biçimde iyileştirdiğini göstermektedir. |
| İlgilizce Özet | In recent years, skin cancers have become one of the most common and deadly diseases worldwide. Early diagnosis plays a critical role in preventing disease progression and improving treatment success. However, the visual similarity of different skin lesions makes the diagnostic process challenging for dermatologists. Therefore, computer-based image analysis and deep learning–based approaches have become an important research area for the automatic diagnosis of skin diseases.In this study, a deep learning model was developed for the classification of skin diseases using the ISIC 2019 dataset. In the first stage, five different pre-trained architectures were evaluated through transfer learning, and EfficientNetV2S was selected as the base model for achieving the highest F1 score.In the second stage, the EfficientNetV2S model was enhanced with channel and spatial attention mechanisms, improving its ability to select meaningful features and emphasize important regions within the images.In the third stage, the hyperparameters of the enhanced model were optimized using the Equilibrium Optimizer (EO) algorithm. The EO algorithm effectively improved the model's performance, demonstrating its capability as a powerful approach for hyperparameter optimization.Finally, the model was retrained on a larger dataset, which led to a further increase in the F1 score. The results indicate that the integration of attention mechanisms, EO-based hyperparameter optimization, and training with a larger dataset significantly improve the performance of deep learning models for skin disease classification. |