Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Erzincan Binali Yıldırım Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: Erdoğan Kökü
Danışman: İsmail Akgül
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Bu tez çalışmasında, manyetik rezonans görüntülerinden (MRI) beyin tümörlerinin otomatik olarak sınıflandırılmasına yönelik derin öğrenme tabanlı bir tanı destek sistemi geliştirilmiş ve farklı evrişimli sinir ağı (CNN) mimarilerinin performansları karşılaştırmalı olarak değerlendirilmiştir. Çalışmada Kaggle platformunda paylaşılan Brain Tumor MRI Dataset veri seti kullanılmış olup glioma, meningioma, pituitary ve no tumor olmak üzere dört sınıfa ait toplam 7.023 görüntüden yararlanılmıştır. Araştırma kapsamında Keras Applications kütüphanesinde yer alan MobileNetV2, EfficientNetB0, VGG16, ResNet50 ve DenseNet121 modelleri transfer öğrenme yöntemiyle eğitilmiştir. Ayrıca, tez kapsamında özgün bir CNN mimarisi tasarlanmış ve MobileNetV2 ile bu Özgün CNN modelinin özellik çıkarım yeteneklerini birleştiren hibrit bir mimari geliştirilmiştir. Tüm modeller aynı ön işleme adımları, veri artırma teknikleri ve eğitim parametreleri kullanılarak adil bir biçimde karşılaştırılmıştır. Normal eğitim sonuçlarına göre en yüksek doğruluk %90,31 ile Özgün CNN modeli tarafından elde edilirken, hibrit model %85,51 doğruluk ile ikinci sırada yer almıştır. ResNet50, MobileNetV2 ve DenseNet121 modelleri sırasıyla %83,79, %80,40 ve %79,63 doğruluk değerleri üretmiştir. VGG16 modeli %73 doğruluk sağlarken, EfficientNetB0 yalnızca %30,89 doğruluk ile en düşük performansı göstermiştir. Model genellenebilirliğini değerlendirmek amacıyla beş katlı çapraz doğrulama yöntemi uygulanmıştır. Bu sonuçlara göre hibrit model %93,15 ortalama doğruluk ve %93,08 F1-skoru ile tüm modeller arasında en başarılı yapı olmuştur. Özgün CNN modeli ise %92,72 ortalama doğruluk değeri ile ikinci sırada yer almıştır. ResNet50, MobileNetV2, DenseNet121 ve VGG16 modelleri sırasıyla %91,20, %89,12, %87,74 ve %82,28 ortalama doğruluk değerleri elde etmiştir. EfficientNetB0 modeli çapraz doğrulamada da yalnızca %27,45 doğruluk sağlayabilmiştir. Bu durum, ilgili mimarinin bu veri setindeki dokusal özellikleri yakalamada yaşadığı yakınsama (convergence) sorununa işaret etmektedir. Elde edilen bulgular, Özgün CNN ve özellikle hibrit mimarinin, MRI tabanlı beyin tümörü sınıflandırma problemlerinde yüksek doğruluk, düşük varyans ve güçlü genelleme kabiliyeti sunduğunu ortaya koymaktadır. Bu çalışma, klinik karar destek sistemlerinin geliştirilmesi için güvenilir bir temel sunmaktadır.