| Tez Türü | Yüksek Lisans |
| Ülke | Türkiye |
| Üniversite | Tokat Gaziosmanpaşa Üniversitesi |
| Enstitü | Lisansüstü Eğitim Enstitüsü |
| Anabilim Dalı | Bilgisayar Mühendisliği Ana Bilim Dalı |
| Tez Onay Yılı | 2024 |
| Öğrenci Adı ve Soyadı | Alper ÖZATILGAN |
| Tez Danışmanı | DR. ÖĞR. ÜYESİ MAHİR KAYA |
| Türkçe Özet | Görme, işitme ve hareketi sağlama gibi önemli yaşamsal fonksiyonları kontrol eden beyin, hastalığı söz konusu olduğunda yaşantımızı olumsuz yönde etkilemektedir. Bu hastalıklardan tüm yaş gruplarında ortaya çıkabilen ve iyi/kötü huylu olabilen ölümcül olan hiç şüphesiz beyin tümörüdür. Bu nedenle erken tanı ve teşhis çok önemlidir. Beyin tümörü türlerinin tespiti ve tedavi yöntemi için MR (Manyetik Rezonans) görüntüleri kullanılmaktadır. Evrişimsel Sinir Ağları (ESA) modellerinin medikal görüntülerden hastalıkların tespitinde başarılı sonuçlar elde etmesi, katman sayısı ve diğer hiper-parametrelerin optimum şekilde oluşturulmasına bağlıdır. Bu çalışmada en az katman ve parametre sayısıyla en yüksek doğruluğu elde edecek bir ESA modeli öneriyoruz. ESA modellerinin eğitiminde kullanılmak üzere elde edilen ve 4 farklı sınıftan oluşan (Menenjiyom, Glioma, Pituitary ve Normal) bir veri seti, katman ve filtre sayıları, filtre boyutları, yığın sayısı, en iyileme algoritmaları ve tur değerleri değiştirilerek 50 farklı geliştirilmiş derin öğrenme modeli üzerinde eğitilmiş ve test edilmiş olup, %99,47 doğruluk ve %99,44 f1-skoru değerleri ile en iyi model tespit edilmiştir. Ayrıca önerilen en iyi modelimiz, önceki çalışmalardan ve en iyileme algoritması, yığın ve tur sayıları aynı olmak koşuluyla bazı transfer öğrenme modellerinden daha iyi sonuç elde etmiştir. |
| İlgilizce Özet | The brain, which controls important vital functions such as vision, hearing and movement, negatively affects our lives when it is sick. Of these diseases, the deadliest is undoubtedly the brain tumor, which can occur in all age groups and can be benign or malignant. Therefore, early diagnosis and prognosis are very important. MR (Magnetic Resonance) images are used for the detection and treatment of brain tumor types. Successful results in the detection of diseases from medical images with Convolutional Neural Networks (ESA) depend on the optimum creation of the number of layers and other hyper-parameters. In this study, we propose an ESA model that will achieve the highest accuracy with the least number of layers. A dataset consisting of four different classes (Meningioma, Glioma, Pituitary, and Normal) was used for the training of ESA models. After training and testing on 50 different deep learning models with variations in layer and the number of filters, kernel, batch size, optimizer, and epoch values, the best model was identified with an accuracy of 99.47% and an F1-score of 99.44%. Additionally, our proposed best model achieved better results compared to previous studies and some transfer learning models, given the same optimizer, batch size, and epoch numbers. |