Makine öğrenmesi ve özellikle derin öğrenme konularındaki son gelişmeler, tıbbı
görüntülerdeki nesneleri tanımaya ve sınıflandırmaya yardımcı olmaktadır. Bu çalışmada
endoskopi görüntüleri incelenmiş, normal ve polipli görüntülerin tespit edilerek
sınıflandırılması için derin öğrenme yöntemi kullanılmıştır. Önerilen sistem için Kütahya
Sağlık Bilimleri Üniversitesi Genel Cerrahi Anabilim Dalı, Evliya Çelebi Eğitim ve
Araştırma Hastanesi Genel Cerrahi Endoskopi Ünitesi arşiv görüntüleri kullanılarak normal
ve poliplerin olduğu görüntüler alınarak veri tabanı oluşturuldu. Oluşturulan veri tabanında
54 arşiv kaydından alınan, 93 polipli ve 216 normal görüntü bulunmaktadır. Bu verilerden
rastgele olarak seçilen verilerin 2/3 ü modelin eğitim için ayrılırken, 1/3 ü modelin test için
ayrılmıştır.
Bu tez çalışmasında, derin öğrenmedeki en iyi sınıflandırma modelini bulmak için
farklı aktivasyon ve optimizasyon fonksiyonları kullanılarak 48 farklı model
oluşturulmuştur. Elde edilen verilere göre; modellerin sonuçlarının parametrelere göre
farklılık gösterdiği, en iyi modelin gizli katmanında 32 nöron, aktivasyon fonksiyonu ReLU
ve optimizasyon yönteminin Adagrad olduğu durumda elde edildiği tespit edilmiştir (%98).
Bunun aksine, en kötü modelin gizli katmanında 32 nöron, aktivasyon fonksiyonu ReLU ve
optimizasyon fonksiyonu SGD olduğu durumda gözlenmiştir (%69).
Sonuç olarak, farklı aktivasyon ve optimizasyon yöntemleri kullanılarak derin
öğrenme ile polip görüntü verilerinin başarılı sınıf tahmini yapan bir sistem tasarımı
yapılabilir
Recent advances in machine learning, particularly with regard to deep learning, help
to recognize and classify objects in medical images. In this study, endoscopy images were
examined and deep learning method was used to classify healthy and polyp cells. For the
proposed system, a database was created from the archives of Kutahya Health Sciences
University General Surgery Department Endoscopy Unite in Kutahya Evliya Celebi
Training and Research Hospital. The database contains 93 polyps and 216 normal images
from 54 archive records. Of these data, 2/3 of the randomly selected data is reserved for the
model's training, while 1/3 of the data is reserved for the test.
In this study, 48 different models were created by using different activation and
optimization functions to find the best classification model in deep learning. According to
the experimental results; It was determined that accuracy results of the models depend on
the selected parameters. We observed the highest accuracy results by means of 32 neurons
in the hidden layer, whereas ReLU activation function and Adagrad optimization method are
utilized during the best model with the accuracy rate of 98%. In contrast, when we designed
a second model with 32 neurons, utilizing ReLU activation and SGD optimization functions,
the accuracy rate reduced to 69%.
In summary, classification performance of polyp images can be optimized by
utilizing different activation and optimization methods during the design of deep learning
models
