Bu proje, tıbbi görüntüler üzerinde çalışan bir makine öğrenimi modelinin, akciğer hastalıklarını (akciğer çökmesi, sağlıklı, verem ve zatüre) tespit etmek için geliştirilmesini içerir. Veri setleri özel olarak düzenlenmiştir ve test ve eğitim veri setleri program tarafından istenilen oranlarda ayrılmıştır.
- Veri kaynağı: Google Drive Linki
- Veri Dağılımı:
- Akciğer Çökmesi: 10.047 görüntü, 1024x1024 boyutunda
- Sağlıklı: 6.666 görüntü, karışık boyutlarda
- Verem: 3.369 görüntü, 200x256 çapraz boyutlar
- Zatüre: 4.273 görüntü, karışık boyutlarda
Görüntüler, 128x128 boyutuna yeniden boyutlandırılmış ve normalize edilmiştir.
- Temel Model: MobileNetV2, transfer öğrenme kullanılmıştır.
- Katmanlar:
- Fully Connected (Dense) katmanlar: 256 nöron, ReLU aktivasyonu.
- Dropout katmanı: Overfitting'i azaltmak için 0.5 oranı.
- Optimizasyon:
- Optimizer: Adam (learning rate: 0.0001)
- Loss: Categorical Crossentropy
- Erken durdurma ve öğrenme oranı azaltma gibi callback fonksiyonları kullanılmıştır.
- Veri Yükleme ve Ayrım:
- Veriler, verilen dizinden yüklenir.
- Eğitim ve test veri setleri, %80 eğitim, %20 test olacak şekilde ayrılmıştır.
- Model Eğitimi:
- Veriler augmentation (döndürme, kaydırma, şekil bozuklukları) ile çeşitlendirilmiştir.
- Model 15 epoch boyunca eğitilmiştir.
- Sonuçların Değerlendirilmesi:
- Karmaşıklık matrisi ve sınıflandırma raporu oluşturulmuştur.
- Test verileri üzerindeki başarı oranı analiz edilmiştir.
- Görsel Tahmin:
- Rastgele seçilen görüntüler tahmin edilmiş ve gerçek/yanlış etiketi gösterilmiştir.
- Gerekli Kütüphaneleri Yükleyin:
pip install numpy pillow tensorflow matplotlib seaborn scikit-learn