Koç, İsmailKarabacak, Ramazan2026-02-102026-02-102025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=CtwiQkYvArAb95Ufpfs_vkj5RbtkTHlaSkhPBndNqsxn6pR-q2QWh1frVik4H93Phttps://hdl.handle.net/20.500.13091/13016Bu çalışmada, histolojik böbrek doku görüntülerinde glomerüllerin otomatik tespiti ve sayımı için Faster R-CNN mimarisi kullanılarak farklı omurga (backbone) mimarilerinin performansları karşılaştırmalı olarak değerlendirilmiştir. AlexNet, ResNet-50, ResNet-101, GoogLeNet (Inception-v3), VGG-16, DenseNet-121, EfficientNet-B0 ve MobileNet-V2 olmak üzere sekiz omurga (backbone) aynı veri kümesi ve eğitim protokolü altında değerlendirilmiştir. Toplam 2500 adet 500×500 piksel çözünürlüğündeki histolojik görüntü %70 eğitim, %15 doğrulama ve %15 test olmak üzere üç gruba ayrılmıştır. Tüm modeller ImageNet veri seti üzerinde ön eğitimli ağırlıklarla transfer öğrenme yaklaşımı kullanılarak eğitilmiştir. Performans değerlendirmesi kesinlik (precision), duyarlılık (recall), F1-skor, 0,50 Birleşim Üzerinden Kesişim (IoU) eşiğinde Genel Ortalama Hassasiyet mAP50 ve 0,50-0,95 IoU aralığında Genel Ortalama Hassasiyet (mAP50-95) metrikleri kullanılarak gerçekleştirilmiştir. Test seti sonuçlarına göre, MobileNet-V2 genel performans açısından en yüksek F1-skor değerini 0,973 ile öne çıkmıştır. Kesinlik metriğinde ResNet-50 0,954 en başarılı olurken, duyarlılık metriğinde DenseNet-121 0,994 en yüksek değeri göstermiştir. Nesne tespit kalitesinin değerlendirilmesinde mAP50 metriğinde VGG-16 0,992 öne çıkarken, mAP50-95 metriğinde VGG-16 0,708 en iyi performansı göstermiştir.In this study, the performance of different backbone architectures was comparatively evaluated using the Faster R-CNN architecture for the automatic detection and counting of glomeruli in histological kidney tissue images. Eight backbones-AlexNet, ResNet-50, ResNet-101, GoogLeNet (Inception-v3), VGG-16, DenseNet-121, EfficientNet-B0, and MobileNet-V2-were evaluated under the same dataset and training protocol. A total of 2500 histological images with a resolution of 500×500 pixels were divided into three groups: 70% training, 15% validation, and 15% testing. All models were trained using a transfer learning approach with pre-trained weights on the ImageNet dataset. Performance evaluation was performed using the metrics of precision, recall, F1-score, Mean Average Precision at 0,50 Intersection over Union (IoU) threshold (mAP50), and Mean Average Precision in the 0,50-0,95 IoU range (mAP50-95). According to the test set results, MobileNet-V2 stood out with the highest F1-score value of 0,973 in terms of overall performance. ResNet-50 was the most successful in the precision metric with 0,954, while DenseNet-121 showed the highest value in the recall metric with 0,994. In evaluating object detection quality, VGG-16 stood out with 0,992 in the mAP50 metric, while VGG-16 showed the best performance with 0,708 in the mAP50-95 metric.trBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolComputer Engineering and Computer Science and ControlMaster Thesis