Akademik Veri Yönetim Sistemi
Tez Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tez Danışmanı: Yasemin Gültepe
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Amaç: Bu tez çalışmasının amacı, cilt kanseri türlerinin otomatik sınıflandırılmasında çeşitli derin öğrenme mimarilerinin başarımlarını karşılaştırmak ve bu başarımların iyileştirilmesi adına Parçacık Sürü Optimizasyonu (PSO) temelli hiper parametre düzenlemelerinin etkisini analiz etmektir. Elde edilen bulgular aracılığıyla, farklı veri setlerinin boyut, sınıf dengesizliği ve örnek dağılımı gibi yapısal özelliklerinin hem model performansı hem de PSO'nun optimizasyon etkinliği üzerindeki etkileri değerlendirilmiş; bu değerlendirme sonucunda derin öğrenme tabanlı bilgisayarlı tanı sistemlerinin geliştirilmesine yönelik yeni çıkarımlar sunulması hedeflenmiştir. Yöntem: Tez kapsamında HAM10000 ve ISIC2019 dermoskopik görüntü veri setleri kullanılmıştır. Transfer öğrenme yaklaşımıyla, önceden eğitilmiş on model (AlexNet, DenseNet169/201, EfficientNetB0/B4, ResNet50/101/152, VGG16/19) her iki veri setiyle eğitilip test edilmiştir. En yüksek doğruluk sağlayan modeller üzerine PSO algoritması uygulanarak hiper parametreler (öğrenme oranı ve momentum) optimize edilmiştir. Ayrıca modeller yeniden eğitilip orijinal sürümleriyle karşılaştırılmıştır. Tüm model performansları, doğruluk, kesinlik, duyarlılık ve F1-skoru gibi metriklerle; ayrıca karışıklık matrisi, sınıflandırma raporları ve Alıcı İşlem Karakteristiği (AİK) eğrileri üzerinden ayrıntılı şekilde analiz edilmiştir. Bulgular: Elde edilen bulgular doğrultusunda, HAM10000 veri seti üzerinde en yüksek performansı gösteren modelin VGG16 olduğu tespit edilmiştir. Bu model üzerine uygulanan PSO algoritması, sınıflandırma performansında belirgin bir iyileşme sağlamıştır. Benzer şekilde, yüksek doğruluk oranına sahip bir diğer model olan ResNet152 için de PSO algoritmasının uygulanması, modelin başarı metriklerinde artışa yol açmıştır. Buna karşılık, ISIC2019 veri seti üzerinde yapılan değerlendirmelerde yine VGG16 modeli temel başarı açısından öne çıkmasına rağmen, PSO algoritması uygulandığında modelin başarımında düşüş yaşanmıştır. Benzer şekilde, bu veri setinde yüksek doğruluk sağlayan bir diğer model olan ResNet152 üzerine uygulanan PSO süreci de beklenen iyileştirmeyi sağlayamamıştır. Aksine, performans değerlerinde gerilemeye neden olmuştur. Sonuç: Derin öğrenme tabanlı yaklaşımlar, cilt kanseri sınıflandırma görevlerinde yüksek doğruluk oranlarıyla etkili sonuçlar sunmaktadır. Özellikle VGG16, VGG19 ve ResNet152 gibi gelişmiş mimariler, test verisi üzerindeki başarılarıyla öne çıkmıştır. Hiper parametre ayarlarında kullanılan PSO algoritması, HAM10000 gibi nispeten dengeli ve küçük veri setlerinde başarıyı artırırken, ISIC2019 gibi büyük ve dengesiz veri kümelerinde performans düşüşüne yol açmıştır. Bu durum, optimizasyonun başarısının veri setinin yapısal özelliklerine bağlı olduğunu göstermektedir. Bu tezde geliştirilen modellerden elde edilen sonuçlara göre dermatologlara tanı sürecinde destek olarak cilt kanserlerinin erken ve doğru teşhisinde fayda sağlayabileceği düşünülmektedir.