Tam Otomatik ve Metasezgisel Tabanlı Yeni Bir Derin Öğrenme Mimarisi Üretecinin Geliştirilmesi ve Cilt Kanseri Teşhisi İçin Etkinliğinin Gösterilmesi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: Mustafa Furkan KESKENLER
Asıl Danışman (Eş Danışmanlı Tezler İçin): Deniz Dal
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Bu çalışmanın öncelikli amacı evrişimli sinir ağları (CNNs) formundaki derin öğrenme mimarilerinin tüm bileşenleriyle birlikte bütünsel bir optimizasyonu için metasezgisel ve makine öğrenmesi tabanlı, yeni ve tamamen otomatik bir mimari üreteci geliştirmektir. Bu yenilikçi üreteç sayesinde, bir derin öğrenme mimarisinin hiperparametrelerinin, katman sayısının, türlerinin ve dizilimlerinin bütüncül bir yaklaşımla optimize edilmesi hedeflenmiştir. İkinci olarak, söz konusu üretecin dermoskopik görüntülerden oluşan bir veri seti aracılığıyla cilt kanserinin non-invaziv teşhisi noktasındaki etkinliğinin gösterilmesi amaçlanmıştır. Yöntem: Derin öğrenme modellerinin optimizasyonu, ilgili modellerin performansını ve etkinliğini önemli ölçüde etkileyen kritik bir süreçtir. Optimizasyon işleminin amacı, modelin doğruluğunu, genelleme kabiliyetini ve hesaplama verimliliğini maksimize eden en uygun yapılandırmayı bulmaktır. Arama uzayının büyüklüğü ve karmaşıklığı göz önüne alındığında, yeni bir derin öğrenme mimarisinin etkinliğini sıfırdan eğiterek değerlendirmek pratik bir yaklaşım değildir. Bu motivasyonla, bu çalışma kapsamında öncelikle benzetilmiş tavlama metasezgiseli kullanılarak sınırlı sayıda derin öğrenme mimarisi içeren bir veri seti oluşturulmuştur. Bu mimari veri setindeki her bir mimari, seyreltilmiş cilt kanseri veri seti ile eğitilerek bir doğruluk değeri elde edilmiş ve bu değer her bir veriye etiket olarak atanmıştır. Ardından, regresyon tabanlı bir makine öğrenmesi modeli bu mimari veri seti ile eğitilmiştir. Bu model, karşılaştığı bir mimarinin etkinliğini, mimarinin sıfırdan eğitilmesi ve ölçülmesi yerine, doğrudan tahmin etmek amacıyla kullanılmıştır. Bu sayede, yine benzetilmiş tavlama tabanlı metasezgisel bir yöntem kullanılarak, arama uzayında yeni mimarilerin keşfedilebilmesi, bir başka deyişle derin öğrenme modeli optimizasyonu, çok daha kısa sürede gerçekleştirilebilmiştir. Bulgular: Bu tez kapsamında geliştirilen mimari üreteci kullanılarak 10 farklı derin öğrenme modeli oluşturulmuştur. Bu modellerin cilt kanseri teşhisindeki etkinlikleri, HAM10000 veri seti üzerinde test edilmiştir. Modellerin performansları, doğruluk, kesinlik, duyarlılık, F1-skor ve AUC gibi beş farklı başarı ölçüm metriği kullanılarak değerlendirilmiştir. Yürütülen testlerin sonuçlarına göre, tüm modellerin ortalama başarıları %95,26 doğruluk, %95,19 kesinlik, %94,82 duyarlılık, %95,01 F1-skor ve %98,74 AUC olarak belirlenmiştir. Sonuç: Bu tez çalışması, derin öğrenme modellerinin optimizasyonu sürecine odaklanmıştır. Bu amaçla, tam otomatik, metasezgisel ve makine öğrenmesi tabanlı yeni bir derin öğrenme mimarisi üreteci geliştirilmiştir. Ardından, bu üretecin etkinliği cilt kanseri teşhisi problemi üzerinde gösterilmiştir. Elde edilen bulgular, önerilen üretecin ürettiği modellerin literatürdeki benzer çalışmalara kıyasla cilt kanserini daha yüksek başarımla tespit edebildiğini ortaya koymuştur. Ayrıca, üretilen modellerin eğitim sürelerinin de mevcut derin öğrenme modellerine göre daha kısa olduğu belirlenmiştir.