Biyomedikal görüntülerde CNN hiperparametre optimizasyonu

Günümüzde derin öğrenme, biyomedikal alanda tıbbi görüntü analizi, hastalık teşhisi, genetik analiz, ilaç keşfi, klinik karar destek sistemleri, hasta monitörizasyonu, hastalık sınıflandırması ve halk sağlığı gibi birçok alanda yaygın olarak kullanılmaktadır. Bu tezde, derin öğrenme modellerinin performansını artırmak amacıyla hiperparametre optimizasyonu üzerinde çalışılmıştır. Hiperparametre optimizasyonu, modelin en iyi performansı elde etmesi için gerekli olan parametrelerin en iyi değerlerini belirlemeyi amaçlayan kritik bir süreçtir. Bu sürecin doğru bir şekilde yönetilmesi, modelin doğruluğunu ve genel etkinliğini önemli ölçüde artırabilir. Çalışmada, biyomedikal görüntülerde Evrişimli Sinir Ağı (CNN) derin öğrenme modellerinin hiperparametre optimizasyonu için Deniz Yırtıcıları Algoritması (MPA) kullanılmıştır. Tez çalışmasında, göğüs röntgeni (normal/zatüre) ve beyin MR görüntüleri (normal/tümörlü) üzerinde altı farklı derin öğrenme modelinin (VGG16, ResNet50V2, InceptionV3, VGG19, MobileNetV2 ve DenseNet121) hiperparametrelerinin optimizasyonu gerçekleştirilmiştir. Her model için beş kritik hiperparametre (öğrenme oranı, optimizasyon fonksiyonu, parti boyutu, nöron düşürme oranı ve epoch sayısı) MPA algoritması kullanılarak optimize edilmiş, optimizasyon süreci 20 ve 30 popülasyon büyüklüğü ile yürütülmüş ve transfer öğrenme yaklaşımı uygulanmıştır. Özellikle, göğüs röntgeni veri setinde ResNet50V2 modeli %92.47'lik en yüksek doğruluk değerine ulaşırken, beyin MR veri setinde yine ResNet50V2 modeli %99.24'lük bir doğruluk değeri elde etmiştir. Göğüs röntgeni veri setinde en yüksek iyileşmeyi VGG16 modeli göstermiştir. Başlangıç doğruluk değeri %86.21 olan model, optimizasyon sonrası %90.22'e ulaşarak yaklaşık %4.01'lik bir iyileşme sağlamıştır. En düşük iyileşmeyi ise DenseNet121 modeli göstermiş olup, %88.78'den %90.54'e yükselerek %1.76'lık bir iyileşme kaydetmiştir. Beyin MR veri setinde en yüksek iyileşmeyi yine VGG16 modeli göstermiştir. Başlangıç doğruluk değeri %94.99 olan model, optimizasyon sonrası %97.30'a ulaşarak yaklaşık %2.31'lik bir iyileşme sağlamıştır. En düşük iyileşmeyi ise MobileNetV2 modeli göstermiş olup, %98.52'den %99.21'e yükselerek %0.69'luk bir iyileşme kaydetmiştir.

Today, deep learning is widely used in many areas within the biomedical field, such as medical image analysis, disease diagnosis, genetic analysis, drug discovery, clinical decision support systems, patient monitoring, disease classification, and public health. In this thesis, hyperparameter optimization was conducted to improve the performance of deep learning models. Hyperparameter optimization is a critical process that aims to determine the optimal values of parameters necessary for the model to achieve the best performance. Proper management of this process can significantly increase the model's accuracy and overall effectiveness. In the study, the Marine Predators Algorithm (MPA) was used for hyperparameter optimization of Convolutional Neural Network (CNN) deep learning models on biomedical images. In the thesis work, hyperparameter optimization of six different deep learning models (VGG16, ResNet50V2, InceptionV3, VGG19, MobileNetV2, and DenseNet121) was performed on chest X-rays (normal/inflamed) and brain MRI images (normal/tumorous). For each model, five critical hyperparameters (learning rate, optimizer selection, batch size, dropout rate, and number of epochs) were optimized using the MPA algorithm; the optimization process was conducted with population sizes of 20 and 30, and the transfer learning approach was applied. Notably, the ResNet50V2 model achieved the highest accuracy of 92.47% on the chest X-ray dataset, while on the brain MRI dataset, the same model achieved an accuracy of 99.24%. On the chest X-ray dataset, the VGG16 model showed the greatest improvement, increasing from an initial accuracy of 86.21% to 90.22% after optimization, achieving an improvement of approximately 4.01%. The model showing the least improvement was DenseNet121, which increased from 88.78% to 90.54%, recording an improvement of 1.76%. On the brain MRI dataset, the VGG16 model again showed the greatest improvement, increasing from an initial accuracy of 94.99% to 97.30% after optimization, achieving an improvement of approximately 2.31%. The model showing the least improvement was MobileNetV2, which increased from 98.52% to 99.21%, recording an improvement of 0.69%.