Tümörlü beyin hücreleri tespitinde öğrenme aktarımıyla derin sinir ağlarının uygulanması

Bu tez, tıbbi görüntü analizinde derin öğrenme modellerinin etkinliğini ve uygulanabilirliğini incelemektedir. Özellikle, çeşitli türlerde tümörleri içeren manyetik rezonans görüntülerinin (MRI) sınıflandırılmasına odaklanmaktadır. Giriş bölümünde, tıbbi görüntü analizinin önemi, yapay zekâ ve derin öğrenmenin bu alandaki yükselişi ve bu çalışmanın amacı detaylı bir şekilde ele alınmıştır. Tezde, beş popüler derin öğrenme modeli olan ResNet, EfficientNet, MobileNet, DenseNet ve InceptionV4 kullanılmıştır. Her bir model, ImageNet ağırlıklarıyla öğrenme aktarımı yöntemi kullanılarak eğitilmiş ve ImageNet ağırlıkları olmadan sıfırdan eğitilmiştir. Modellerin performansları, çeşitli tümör türlerini sınıflandırma doğruluğu üzerinden değerlendirilmiştir. Sonuçlar genel olarak tüm metrikler üzerinden değerlendirilse de sınıfların dengesiz dağılımları sebebiyle F1-skor üzerinden nihai değerlendirme yapılmıştır. InceptionV4 modelinin ImageNet ağırlıklarıyla eğitildiğinde en yüksek genel başarı oranına (%96 F1-Skor) sahip olduğu gözlemlenmektedir. Diğer modeller de benzer şekilde yüksek başarı oranlarına sahip olmakla birlikte, bazı tümör türlerini sınıflandırmada zorlanmaktadırlar. Özellikle Granuloma T2 gibi belirli sınıflarda tüm modellerin performansı düşmüştür. Tez ayrıca, öğrenme aktarımının, modellerin hızlı ve etkili bir şekilde eğitilmesine yardımcı olduğunu vurgulamaktadır. Bununla birlikte, özel veri setleri için model eğitimi gerçekleştirmenin ve hiper parametre ayarının modellerin performansını artırabileceği belirtilmiştir. Tez sonunda, klinik uygulamalar için tümör sınıflandırmasında hangi derin öğrenme modelinin veya modellerinin en uygun olduğuna dair değerli bilgiler sağlanırken, bu modellerin sınırlamalarını ve zorluklarını anlamak gelecekteki araştırmalara ve geliştirmelere yön verebilir. Bu çalışma, tıbbi görüntü analizinde derin öğrenmenin önemini vurgulamakta ve bu alanda yapılan araştırmalara katkıda bulunarak hastalar için daha doğru teşhisler ve etkili tedavilerin önünü açmaktadır.