2026-10-21T02:11:04Zhttps://ebyu-rdlopen.rawdatalibrary.net/oai/request

oai:ebyu-rdlopen.rawdatalibrary.net:ebyu/261182026-10-20T23:25:34Zopenairedrivercom_ebyu_10007col_ebyu_25981col_ebyu_25969

Göğüs röntgeni görüntülerinden zatürre tanısında derin öğrenme tabanlı yaklaşımların performans analiziPerformance analysis of deep learning approaches for pneumonia diagnosis using chest x-ray imagesÇağlar ÇiltaşDoç. Dr. Volkan KAYAPneumonia diagnosisdeep learningConvNeXt-Tinyhybrid prototype fusion networkZatürre tanısıderin öğrenmeConvNeXt-Tinyhibrit prototip füzyon ağıGöğüs röntgeni görüntülerinden zatürre tanısı, düşük maliyetli ve yaygın kullanılabilir olması nedeniyle klinik uygulamalarda önemli bir yere sahiptir. Bununla birlikte derin öğrenme tabanlı yöntemlerin yüksek performans elde edebilmesi genellikle büyük miktarda etiketli veriye ihtiyaç duymakta, bu durum ise tıbbi görüntü analizinde önemli bir kısıt oluşturmaktadır. Bu tezde, az etiketli veri koşullarında göğüs röntgeni görüntülerinden zatürre tanısına yönelik derin öğrenme ve geleneksel makine öğrenmesi yaklaşımlarının performansları kapsamlı olarak değerlendirilmiştir. Bu amaçla ConvNeXt-Tiny mimarisi temel alınarak geliştirilen Hibrit Prototip Füzyon Ağı (Hybrid Prototype Fusion Network-HPFN) önerilmiş ve derin öznitelik temsili ile prototip tabanlı benzerlik hesaplaması tek bir karar mekanizmasında birleştirilmiştir. Ayrıca önerilen model; Xception, VGG16 ve ResNet50 mimarileri ile karşılaştırılmış, bunun yanında SIFT, KAZE ve HOG öznitelikleri kullanılarak Destek Vektör Makineleri, Lojistik Regresyon ve Aşırı Gradyan Artırma sınıflandırıcılarından oluşan geleneksel yaklaşımlar da aynı veri seti üzerinde analiz edilmiştir. Tüm deneyler Chest X-Ray (Pneumonia) veri seti kullanılarak gerçekleştirilmiş ve modeller doğruluk, kesinlik, duyarlılık ve F1-Skoru ölçütleri ile değerlendirilmiştir. Deneysel sonuçlar, önerilen HPFN modelinin %96,38 doğruluk, %96,23 kesinlik, %97,95 duyarlılık ve %97,08 F1-Skoru elde ederek hem karşılaştırılan derin öğrenme mimarilerinden hem de geleneksel öznitelik tabanlı yöntemlerden daha başarılı performans sergilediğini göstermiştir. Literatür karşılaştırmaları da önerilen yaklaşımın az etiketli veri koşullarında güvenilir, dengeli ve yüksek doğruluk sağlayan etkili bir bilgisayar destekli tanı yöntemi olduğunu ortaya koymuştur.Diagnosis of pneumonia from Chest X-Ray images holds a significant place in clinical practice due to its low cost and widespread availability. However, achieving high performance with deep learning-based methods generally requires a large amount of labeled data, which constitutes a significant limitation in medical image analysis. In this thesis, the performance of deep learning and traditional machine learning approaches for diagnosing pneumonia from Chest X-Ray images under conditions of low-label data is comprehensively evaluated. For this purpose, a Hybrid Prototype Fusion Network (HPFN) developed based on the ConvNeXt-Tiny architecture is proposed, and deep feature representation and prototype-based similarity calculation are combined in a single decision mechanism. Furthermore, the proposed model is compared with Xception, VGG16, and ResNet50 architectures, and traditional approaches consisting of Support Vector Machine, Logistic Regression, and Extreme Gradient Boosting classifiers using SIFT, KAZE, and HOG features are also analyzed on the same dataset. All experiments were performed using the Chest X-Ray (Pneumonia) dataset, and the models were evaluated using accuracy, precision, sensitivity, and F1-score measures. Experimental results showed that the proposed HPFN model achieved 96.38% accuracy, 96.23% precision, 97.95% sensitivity, and 97.08% F1-score, outperforming both the compared deep learning architectures and traditional feature-based methods. Literature comparisons also revealed that the proposed approach is an effective computer-aided diagnostic method providing reliable, stable, and high-accuracy data under low-label data conditions.Erzincan Binali Yıldırım University2026Master Thesishttps://rdlopen.rawdatalibrary.net/r/ebyu/26118https://doi.org/10.71008/ebyu.thesis.2026.196trinfo:eu-repo/semantics/openAccessinfo:eu-repo/semantics/masterThesishttps://ebyu-rdlopen.rawdatalibrary.net/tr/items/ebyu/26118