@article{article_1724952, title={MR Görüntülerinde Yenilikçi Derin Öğrenme Yaklaşımları ile Beyin Tümörü Tespiti ve Çok Sınıflı Sınıflandırma}, journal={Mühendislik Bilimleri ve Araştırmaları Dergisi}, volume={7}, pages={203–213}, year={2025}, DOI={10.46387/bjesr.1724952}, author={Yılmaz Bilgin, Canan and Özcan Semerci, Neyir}, keywords={Beyin tümörü, Derin öğrenme, Sınıflandırma, Karar destek sistemleri, Yapay zeka}, abstract={Bu çalışmada, beyin tümörlerinin sınıflandırılmasına yönelik geliştirilmiş bir GoogLeNet mimarisi sunulmaktadır. Geliştirilen modelde kullanılmak üzere aynı veri setinden iki farklı alt küme oluşturulmuştur. Birinci küme, radyoloji uzmanları tarafından maskelenmiş görüntülerden (Dataset1) oluşurken; ikinci küme ise maskesiz görüntülerin YOLOv8 algoritması ile işaretlenmesiyle elde edilmiştir (Dataset2). İlk olarak Dataset1 standart GoogLeNet mimarisi ile geliştirilmiş GoogLeNet mimarisinin performansını karşılaştırmak amacıyla kullanılmış, doğruluk ve hata metrikleriyle yapılan değerlendirmeler sonucunda geliştirilmiş mimarinin standart mimariye kıyasla daha yüksek bir performans sergilediği görülmüştür (%91.98-%94.88). Dataset2 için ise bu oranlar sırasıyla %93.36 ve %96.02 olarak elde edilmiştir. Bu sonuçlar, geliştirilmiş GoogLeNet mimarisinin her iki veri kümesinde de standart mimariye kıyasla daha yüksek performans gösterdiğini açıkça ortaya koymaktadır. Ayrıca yapmış olduğumuz bu çalışma YOLOv8 etiketlemesinin, görsel biyomedikal verilerin işlendiği derin öğrenme mimarilerinde kullanılan veri sayıları düşünüldüğünde, hem süre hem de başarım açısından güçlü bir alternatif olduğunu göstermektedir. Elde edilen bu sonuçlar yakın zamanda yapılmış olan benzer çalışmalarla da kıyaslanmıştır.}, number={2}, publisher={Bandırma Onyedi Eylül Üniversitesi}