Cilt kanseri sınıflandırması için hibrit derin öğrenme modellerinin geliştirilmesi

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: Türkçe

Öğrenci: İBRAHİM ARUK

Danışman: Ahmet Nusret Toprak

Özet:

Kanser, dünya çapında milyonlarca insanın yaşamını tehdit eden ve çeşitli organları etkileyen ölümcül bir hastalıktır. En sık rastlanan kanser türlerinden biri olan cilt kanseri, erken evrede teşhis edilmediğinde ciddi sağlık sorunlarına ve ölüm riskine yol açabilmektedir. Cilt kanseri oluşumunda güneş ışığındaki ultraviyole radyasyon, sigara ve alkol kullanımı, genetik yatkınlık, belirli hastalıklar ve çevresel faktörler önemli rol oynamaktadır. Bu etmenler cilt hücrelerinin DNA'sına zarar vererek kanser gelişimine neden olabilmektedir. Bu nedenle, cilt kanserinin erken evrede teşhisi, hastalığın kontrol altına alınması ve tedavi süreçlerinde kritik bir öneme sahiptir. Bu tez çalışmasında, cilt kanseri sınıflandırması problemine yönelik üç yeni hibrit derin öğrenme modeli önerilmektedir. İlk modelde, dermoskopik görüntülerden farklı Evrişimsel Sinir Ağı (CNN) modelleri aracılığıyla derin öznitelikler çıkarılmakta ve öznitelik seçimi algoritmaları ile en anlamlı öznitelikler belirlenerek sınıflandırma yapılmaktadır. İkinci olarak, ConvNeXt blokları ile güçlendirilmiş MetaFormer tabanlı hibrit CAFormer modeli geliştirilmiştir. Bu model, CNN ve Görü Dönüştürücü (ViT) tabanlı mimarilerin güçlü yönlerini bir araya getirerek cilt kanseri sınıflandırmasını gerçekleştirmektedir. Son olarak, CNN ve ViT modelleri ile topluluk öğrenme tabanlı hibrit bir model önerilmiştir. Bu model dermoskopik görüntü sınıflandırmasını etkin bir şekilde sağlamaktadır. Önerilen modeller, literatürdeki güncel yaklaşımlar ile karşılaştırıldığında cilt kanseri sınıflandırmasında daha başarılı sonuçlar sergilemiştir.