Yazar "Güngen, Cahfer" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim Yok
    Öğe
    Beyin tümörlerinin derin öğrenme ile manyetik rezonans görüntülerinden sınıflandırılması
    (Sivas Cumhuriyet Üniversitesi, 2020) Güngen, Cahfer; Polat, Özlem
    Bu çalışmada uzmanlara tanı ve tedavide yardımcı olmak amacıyla T1 ağırlıklı beyin Manyetik Rezonans (MR) görüntülerindeki farklı tipteki tümörlerin sınıflandırılması amaçlanmıştır. En yaygın beyin tümörlerinden olan gliyom, menenjiyom ve hipofiz bezesi tümörleri dört katmanlı evrişimsel sinir ağı ve derin transfer öğrenme yöntemlerinden olan VGG16, VGG19, Resnet50 ve Densenet121 ağları kullanılarak sınıflandırılmıştır. Veri kümesi olarak 3064 T1 ağırlıklı MR görüntüsü içeren erişime açık Figshare veri kümesi kullanılmıştır. Görüntü kümesi %70 eğitim ve %30 test olacak şekilde ayrılmıştır. Sınıflandırma yapılırken Adadelta, RMSprop, SGD, Adam gibi dört farklı optimizasyon algoritmasının başarıma etkisi de test edilmiştir. Çalışmada yöntemin kodlanması ve test edilmesi amacıyla Python dili ile Keras ve Tensorflow kütüphaneleri kullanılmıştır. Sınıflandırma performansı ve test sonuçları AUC (Area Under Curve), duyarlılık, özgüllük ve doğruluk metrikleri kullanılarak sunulmuştur.
  • Küçük Resim
    Öğe
    Classification of brain tumors from MR images using deep transfer learning
    (2021) Polat, Özlem; Güngen, Cahfer
    Classification of brain tumors is of great importance in medical applications that benefit from computer-aided diagnosis. Misdiagnosis of brain tumor type will both prevent the patient from responding effectively to the applied treatment and decrease the patient’s chances of survival. In this study, we propose a solution for classifying brain tumors in MR images using transfer learning networks. The most common brain tumors are detected with VGG16, VGG19, ResNet50 and DenseNet21 networks using transfer learning. Deep transfer learning networks are trained and tested using four different optimization algorithms (Adadelta, ADAM, RMSprop and SGD) on the accessible Figshare dataset containing 3064 T1-weighted MR images from 233 patients with three common brain tumor types: glioma (1426 images), meningioma (708 images) and pituitary (930 images). The area under the curve (AUC) and accuracy metrics were used as performance measures. The proposed transfer learning methods have a level of success that can be compared with studies in the literature; the highest classification performance is 99.02% with ResNet50 using Adadelta. The classification result proved that the most common brain tumors can be classified with very high performance. Thus, the transfer learning model is promising in medicine and can help doctors make quick and accurate decisions.