Evrişimsel sinir ağları ile toraks BT görüntülerinden akciğer kanseri tespiti
| dc.contributor.advisor | Celan, Rahime | |
| dc.contributor.author | Ezzat, Aymen Salman Dawood | |
| dc.date.accessioned | 2025-01-21T12:27:53Z | |
| dc.date.available | 2025-01-21T12:27:53Z | |
| dc.date.issued | 16.12.2020 | |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Elektrik Elektronik Mühendisliği Ana Bilim Dalı | |
| dc.description.abstract | Son yıllarda akciğer kanseri tümörleri, dünyadaki nüfus sayısında ciddi bir artış göstermiştir. Bilgisayarlı Tomografi (BT), akciğer kanseri teşhisi için kullanılan önemli bir medikal görüntüleme tekniğidir. Bununla birlikte, hekimlerin BT görüntülerinden tümörü iyi huylu veya kötü huylu olarak belirlemesi zordur. Bu tezde, iyi huylu ve kötü huylu tümörlerin sınıflandırılması için Evrişimsel Sinir Ağı (ESA) tabanlı mimariler kullanılmıştır. Amaç, tümörleri iyi huylu ve kötü huylu olarak sınıflandırmak için ESA'nın altı modelini kullanarak daha yüksek verimlilik ve doğruluk elde etmektir. Ayrıca, çalışmada görüntü üzerinde ön işleme yapmanın sonuca etkisi de incelenmiştir. Sonuçlar, orijinal veriler kullanıldığında, VGG16 mimarisinin %99,8 doğruluk ile akciğer kanseri tümör tipinin tahmininde en iyi mimari olduğunu ortaya çıkarmıştır. Bununla beraber segmentlere ayrılmış veriler kullanıldığında %99,4 doğrulukla en iyi performansı ResNet50 göstermiştir. | |
| dc.description.abstract | In the recent decades, the number of lung cancer cases in the world has dramatically increased. Computed Tomography (CT) is used as a superior tool for lung cancer diagnosis. However, it is difficult for physicians to determine the tumor from CT images whether benignant or malignant. In this thesis, different Convolutional Neural Network-based architectures were used for the classification of benignant and malignant tumors. The objectives are to obtain higher efficiency and accuracy using CNN's six models to classify tumors as benignant and malignant. In addition, the effect of pre-processing made on image is investigated on these model's performance. The results revealed that using the original data, the VGG16 architecture was the best architecture for predicting lung cancer tumor type with 99.8% accuracy. However, when segmented data were used, ResNet50 showed the best performance with 99.4% accuracy. | |
| dc.identifier.citation | Ezzat, A. S. D. (2020). Evrişimsel sinir ağları ile toraks BT görüntülerinden akciğer kanseri tespiti. (Yüksek Lisans Tezi). Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12395/53906 | |
| dc.identifier.yoktezid | 652089 | |
| dc.institutionauthor | Ezzat, Aymen Salman Dawood | |
| dc.language.iso | tr | |
| dc.publisher | Selçuk Üniversitesi, Fen Bilimleri Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Evrişimsel Sinir Ağı (ESA) | |
| dc.subject | Bilgisayarlı Tomografi (BT) | |
| dc.subject | Akciğer Kanseri Tümörleri | |
| dc.subject | Segmentasyo | |
| dc.subject | Convolutional Neural Network (CNN) | |
| dc.subject | Computed Tomography (CT) | |
| dc.subject | Lung Cancer | |
| dc.subject | Image Segmentation | |
| dc.title | Evrişimsel sinir ağları ile toraks BT görüntülerinden akciğer kanseri tespiti | |
| dc.title.alternative | Detection of lung cancer on thorax CT images with convolutional neural networks | |
| dc.type | Master Thesis |
