@article{article_1501181, title={Hibrit Aktarım Öğrenme Tekniklerini Kullanarak Beyin Tümörü Sınıflandırmasında Yeni Sonuçlar}, journal={Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji}, volume={13}, pages={29–47}, year={2025}, DOI={10.29109/gujsc.1501181}, author={Kalender, Doğukan and Öztürk, Atahan and Bilgin, Ömer and Şahin, Durmuş Özkan}, keywords={Deep learning, brain tumor detection, transfer learning, image processing, medical image, medical image classification}, abstract={Bu çalışmada derin öğrenme modelleri kullanılarak beyin MR görüntüleri işlenmiştir. Kullanılan veri seti tümör bulunan ve bulunmayan görüntülerden oluşmaktadır. Bu görüntüler bazı ön-işleme aşamalarından geçerek modellerin eğitimi için uygun hale getirilmektedir. Çalışmada kullanılan derin öğrenme modelleri aktarım öğrenmesine dayalı modellerden oluşmaktadır. Bunlar MobileNet, VGG19, DenseNet169, AlexNet, ResNet101 ve InceptionV3 modelleridir. Bu modeller önceden eğitilmiş yapıda bulunmaktadır. Bu nedenle derin öğrenme modellerinin daha iyi genelleme yaparak doğru tahminlerde bulunmasını sağlarlar. Modellerin performansını arttırmak için veri arttırma, erken durduma, öğrenme oranı zamanlayıcısı, katman dondurma ve özel katmanların eklenmesi gibi yöntemler kullanılmıştır. Yapılan deneylerde en yüksek başarım doğruluk metriğine göre %98.63 ile MobileNet modelinden elde edilmektedir. Daha sonra deneylerden elde edilen sonuçlara göre en başarılı üç modelin ikili kombinasyonları alınarak hibrit modeller oluşturulmuştur. Önerilen bu hibrit modellerin kullanılması ile elde edilen en yüksek başarım doğruluk metriğine göre %99.21’dir. Bu sonuç VGG19 ve DenseNet169 modellerinin birleştirilmesiyle elde edilmiştir. Tüm hibrit modellerden elde edilen sonuçlar göz önünde bulundurulduğunda sınıflandırma başarımında %2’den fazla iyileştirme sağlanmıştır.}, number={1}, publisher={Gazi University}, organization={Bu çalışma için herhangi bir kurum ve/veya kuruluştan destek alınmamıştır.}