<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Cilt kanserinin sınıflandırılmasında derin öğrenme modellerinin performanslarının karşılaştırılması

dc.contributor.authorBilgin, Zeynep
dc.date.accessioned2026-11-18T10:55:17Z
dc.date.issued2026
dc.description.abstractBu çalışmanın amacı, Uluslararası Cilt Görüntüleme İş Birliği 2018 veri kümesi kullanılarak dermoskopik cilt lezyonlarının sınıflandırılmasında evrişimsel sinir ağları ve dönüştürücü mimarileri derin öğrenme modellerinin performanslarını karşılaştırmaktır. Çalışma kapsamında EfficientNetB4, ConvNeXt-Tiny, ViT-B16 ve Swin-T mimarileri değerlendirilmiştir. Veri kümesinden melanom, nevüs, bazal hücreli karsinom, iyi huylu deri lezyonları olmak üzere dört sınıf altında ele alınmıştır ve veriler eğitim, doğrulama ve test kümeleri olarak sırasıyla %70, %10 ve %20 oranında ayrılmıştır. Modellerin performanslarını karşılaştırmak amacıyla iki eğitim senaryosu gerçekleştirilmiştir. Buna göre, eğitim sürecinde sınıf dengesizliğinin etkisini azaltmak amacıyla Ağırlıklı Rastgele Örnekleme yaklaşımı kullanılmıştır. Model performanslarının değerlendirilmesinde doğruluk, duyarlılık, kesinlik ve Makro F1 skoru kullanılmıştır. Deneysel sonuçlar, ağırlıklı rastgele örnekleme tekniğinin özellikle azınlık sınıflarda model performansını artırdığını göstermiştir. ESA mimarileri arasında ConvNeXt-Tiny mimarisi %95,12 doğruluk ve %85,51 Makro F1 skoru ile daha başarılı sonuçlar elde ederken, dönüştürücü mimarileri arasında Swin-T mimarisi %97,54 doğruluk ve %91,08 Makro F1 skoru ile çalışmanın en başarılı modeli olmuştur. Eğitim eğrileri, karışıklık matrisleri ve alıcı işlem karakteristiği incelendiğinde Swin-T mimarisinin daha kararlı bir öğrenme davranışı sergilediği ve cilt kanseri sınıflarını daha başarılı şekilde ayırt edebildiği görülmüştür.
dc.identifier.citationBİLGİN, Z. (2026). Cilt kanserinin sınıflandırılmasında derin öğrenme modellerinin performanslarının karşılaştırılması (Tez No. 1019610) [Yüksek lisans tezi, KASTAMONU ÜNİVERSİTESİ]. Ulusal Tez Merkezi.
dc.identifier.urihttps://hdl.handle.net/20.500.12597/44893
dc.language.isotr
dc.publisherKastamonu Üniversitesi
dc.subjectDermoskopik Görüntü Sınıflandırma
dc.subjectCilt Kanseri
dc.subjectDerin Öğrenme
dc.subjectEvrişim Sinir Ağları
dc.subjectDönüştürücü Mimarileri
dc.subjectDermoscopic Image Classification
dc.subjectSkin Cancer
dc.subjectDeep Learning Convolutional Neural Networks
dc.subjectTransformer Architectures
dc.titleCilt kanserinin sınıflandırılmasında derin öğrenme modellerinin performanslarının karşılaştırılması
dc.title.alternativeComparative analysis of deep learning models for skin cancer classification
dc.typemasterThesis

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
1019610.pdf
Size:
2.44 MB
Format:
Adobe Portable Document Format

Collections