Derin öğrenme ve boyut indirgeme destekli makine öğrenmesi yöntemleriyle böbrek tümörü tespiti

Bu tez, böbrek tümörlerinin BT görüntülerinden hızlı ve doğru biçimde saptanması için derin öğrenme ve boyut indirgeme destekli makine öğrenmesi tabanlı bir yaklaşım önermektedir. Çalışmada iki büyük ve kapsamlı BT veri seti (V1, V2) ön işlenmiş, Gri Düzey Birlikte Oluşum Matrisi (GLCM) ile doku özellikleri çıkarılmış ve T-SNE ile iki boyuta indirgenmiştir. Elde edilen düşük boyutlu öznitelikler üzerinde KNN, Bagging Ağaçlar, Karar Ağacı, İnce Gauss SVM ve üç katmanlı Yapay Sinir Ağı eğitilmiştir. Karşılaştırma amacıyla AlexNet, EfficientNet-B0, Darknet-53, Xception ve DenseNet-201 ile derin öğrenme deneyleri yürütülmüştür. Sonuçlar, DenseNet-201'ün 0,0001 öğrenme oranında %99,75 doğruluğa ulaştığını; önerilen kademeli GLCM+T-SNE yaklaşımının ise çok daha küçük model boyutu ve yüksek tahmin hızıyla KNN'de V1 için %99,65, V2 için %99,98 doğruluk sağladığını göstermektedir. T-SNE kullanımı, yalnızca GLCM'e göre benzer doğrulukla anlamlı hız ve bellek kazanımları sunmuştur. Önerilen yöntem, düşük sistem gereksinimleri, gerçek zamanlı kullanım potansiyeli ve veri kümesi bağımsız sağlam performansıyla klinik karar destek süreçlerini güçlendirmektedir. Gelecek çalışmalar, farklı modaliteler, transfer öğrenmesi ve açıklanabilir yapay zekâ teknikleriyle yöntemin genellenebilirliğini ve yorumlanabilirliğini artırmayı hedeflemektedir. Değerlendirme doğruluk, kesinlik, duyarlılık, F1 ve özgüllük metrikleriyle, karışıklık matrisleri üzerinden yapılmış; hiperparametreler ızgara aramasıyla seçilmiştir. Model boyutu ve tahmin hızındaki iyileşmeler, sınırlı belleğe sahip uç cihazlarda dağıtımı kolaylaştırmakta ve güvenilirliğini artırmaktadır.