@article{article_1633898, title={Böbrek Hastalıklarının Tanısında Derin Öğrenme Modellerinin Performans Analizi}, journal={Karamanoğlu Mehmetbey Üniversitesi Mühendislik ve Doğa Bilimleri Dergisi}, volume={7}, pages={19–32}, year={2025}, DOI={10.55213/kmujens.1633898}, author={Özdemir, Serkan and Çubukçu, Burakhan}, keywords={Kronik böbrek hastalığı, Derin öğrenme, CT-KIDNEY, Sınıflandırma., Evrişimsel Sinir ağları, Öğrenme Aktarımı}, abstract={Kronik böbrek hastalığı, dünya nüfusunun %10-15’ini etkileyen ve tedavi edilmediğinde ciddi sağlık sorunlarına yol açabilen önemli bir küresel sağlık problemidir. Erken teşhis edilmediğinde böbrek yetmezliği ve kardiyovasküler komplikasyonlara neden olabilir. Bu çalışmada, KBH teşhis ve sınıflandırmasında DL modellerinin etkinliği, CT-KIDNEY veri seti kullanılarak değerlendirilmiştir. InceptionV3, ResNet50, CNN, CNN+LSTM ve VGG16 mimarileri doğruluk, kesinlik, hatırlama ve F1-skor metrikleri ile karşılaştırılmıştır. CNN+LSTM modelinin %91,0 doğruluk ile en yüksek sınıflandırma başarısını gösterdiğini ortaya koymuştur. VGG16 (%90,6), InceptionV3 (%89,6) ve ResNet50 (%88,9) gibi transfer öğrenme tabanlı modeller de %88-%91 aralığında rekabetçi ve yüksek doğruluk oranları elde etmiştir. Buna karşın, standart CNN modeli %27,4 gibi oldukça düşük bir doğruluk oranı sergileyerek, bu spesifik görev için yetersiz kalmıştır. Öğrenme eğrileri transfer öğrenme modellerinin ve CNN+LSTM’in başarılı öğrenme süreçleri sergilediğini, ancak özellikle CNN ve CNN+LSTM’de aşırı öğrenme eğilimleri (CNN-LSTM’de ayrıca test doğruluğunda yüksek varyans) olduğunu göstermiştir. ResNet50 en dengeli öğrenme profilini sunmuştur. Gelecekteki çalışmalarda, daha büyük ve çeşitli veri setleri kullanmayı, IoT tabanlı gerçek zamanlı tanı sistemlerine entegrasyonunu sağlamayı ve farklı tıbbi görüntüleme modalitelerinde uygulanabilirliğini incelemeyi hedefleyebilir.}, number={1}, publisher={Karamanoğlu Mehmetbey Üniversitesi}