Yüksek enerji fiziği perspektifinden evrişimli sinir ağları ile akciğer x-ışını görüntülerinin sınıflandırılması


Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, Fen Fakültesi Bölümü, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: ŞAFAK YASUN

Danışman: Hale Sert

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Yapay zekâ araçlarının gelişmesi pek çok alana kayda değer katkılar sunmuştur. İnsan etkisine gerek kalmadan kendi kendine öğrenen ve gelişen algoritmalar büyük veri setlerinin analizinde ve modellenmesi zor problemlerde hızlı ve pratik çözümler sunmaktadır. Bu bağlamda yapay zekâ tekniklerinin son yıllardaki kanıtlanmış başarısı, görüntü sınıflandırmadan modern parçacık fiziği analizlerine kadar farklı alanlarda oldukça kullanışlı bir altyapı sunmaktadır. Bu tez çalışmasında, yapay zekâ yöntemlerinden biri olan evrişimli sinir ağı modelleri kullanılarak akciğerlere ait X-ışını görüntülerinin sınıflandırılması çalışılmıştır. Görüntü sınıflandırma çalışmalarının temel amaçlarından biri hassas piksel farklılıkları içeren görüntüleri başarılı bir şekilde analiz edebilen yapılar geliştirmektir. Bu hedefe ulaşmak için veri ön işleme adımlarının ve model optimizasyonlarının doğru bir şekilde seçilmesi oldukça önemlidir. Bu tez kapsamında Montgomery, Shenzhen, Montgomery+Shenzhen ve Tüberküloz Göğüs Röntgeni Veri Tabanı'ndan elde edilen akciğer görüntülerinin tüberküloz sınıflandırması DenseNet201 modeli ile incelenmiştir. Sınıflandırma performansını geliştirmek için veri artırımı ve normalizasyon teknikleri kullanılmıştır. Modele hibrit evrişim katmanı eklenerek tahmin başarılarına etkisi incelenmiştir. Çalışılan metotların bireysel ve kombine durumlar için değerlendirmesi yapılmış, en iyi sınıflandırma başarısının hibrit evrişim katman ile geliştirilmiş modelde veri artırımı ve CLAHE normalizasyonu uygulanan görüntülerle elde edildiği görülmüştür. Bulgular dört veri seti için de normalizasyon ve optimizasyon yaklaşımlarının birlikte kullanıldığı durumda model başarısının %89 ile %99 arasında doğruluk skorlarıyla en yüksek seviyeye ulaştığını göstermiştir. Elde edilen bulgularla çalışılan metotların farklı disiplinlerdeki görüntü sınıflandırma problemlerine de uyarlanabileceği düşünülmektedir.