Beyin Tümörü MR Görüntülerinin Evrişimsel Sinir Ağları ile Sınıflandırılması

Yıl 2023, Cilt: 6 Sayı: 1, 71 - 91, 13.07.2023

Berat Eliaçık , Arife Dal , Ali Hakan Isık

Öz

Yapay zekâ, tıbbi görüntüleme dahil olmak üzere çeşitli sağlık alanlarında giderek daha önemli hale gelmektedir. Hastalık tespiti, teşhisi ve tedavi planlamasının doğruluğunu, hızını artırma potansiyeline sahiptir. Özellikle, derin öğrenme modelleri, büyük veri kümelerinden karmaşık özellikleri otomatik olarak öğrenerek tıbbi görüntü analizinde umut verici sonuçlar göstermektedir. Bu çalışma, farklı derin öğrenme modellerinin beyin tümörlerinin MRI taramalarındaki performansını değerlendirmekte, elde edilen performans sonuçlarını sunmaktadır. Çalışmada veri kümesi 'Tümör Yok', 'Hipofiz Tümörü', 'Meningioma Tümörü' ve 'Glioma Tümörü' olmak üzere dört sınıftan oluşmaktadır. Çalışmada, veri seti beş farklı model kullanarak eğitilmiştir. Bu modeller EfficientNet, ResNet, VGG-16, Inception-V3 ve DenseNet’tir. Bu modellerin performansı test edilmiştir ve sonuçlar görselleştirilerek analiz edilmiştir. Elde edilen sonuçlar, derin öğrenme modellerinin beyin tümörlerini MR görüntülerinden sınıflandırmada umut verici bir performansa sahip olduğunu, birçok modelin %90'ın üzerinde doğruluk oranlarına ulaştığını göstermektedir. Ancak daha detaylı incelendiğinde EfficientNet %96 oranla doğruluk, tümör yok sınıfı için %94 oranla f1-skor, %94 oranla kesinlik, %94 oranla duyarlılık, glioma tümör için %99 oranla f1-skor, %100 oranla kesinlik, %99 oranla duyarlılık göstermiştir. ResNet ise %98 oranla doğruluk, tümör yok sınıfı için %97 oranla f1-skor, %99 oranla kesinlik, %95 oranla duyarlılık glioma tümör için %100 oranla f1-skor, %100 oranla kesinlik, %100 oranla duyarlılık göstermiştir. Bu oranlara bakıldığında EfficientNet ve ResNet modellerinin özellikle 'Tümör Yok' ve 'Glioma Tümör' sınıflarında en yüksek performansı gösterdiği görülmektedir. Bu nedenle, bu modeller bu uygulama için en uygun modeller olarak kabul edilmektedir. Genel olarak, bu çalışma, beyin tümörü MR görüntülemede farklı derin öğrenme modellerinin performansına ilişkin değerli bilgiler sağlar, bu alanda gelecekteki araştırmalara bilgi vermektedir.

Anahtar Kelimeler

Beyin Tümörü, Sınıflandırma, Evrişimli Sinir Ağları, Tespit, ResNet, EfficientNet

Kaynakça

• [1] Aans.org. (2023). Neurosurgical Conditions and Treatments Brain Tumors. American Association of Neurological Surgeons: https://www.aans.org/en/Patients/Neurosurgical-Conditions-andTreatments/Brain-Tumors adresinden alındı. (Erişim Tarihi: 7.05.2023)
• [2] Abhishek Ramanathapura Satyanarayana, M. A. (2023). Oil Spill Segmantation Using DeepEncoderDecoder Models. A Preprint.
• [3] Alex Krizhevsky, I. S. (2012). ImageNet Classification with Deep Convolutional. NIPS.
• [4] American Society of Clinical Oncology (ASCO). (2023). Brain Tumor: Statistics. Cancer.net: https://www.cancer.net/cancer-types/brain-tumor/statistics adresinden alındı. (Erişim Tarihi: 7.05.2023)
• [5] Bin Wang, B. X. (2020). Particle Swarm Optimisation for Evolving Deep Neural Networks for Image Classification by Evolving and Stacking Transferable Blocks.
• [6] Birkan Büyükarıkan, E. Ü. (2020). Aydınlatma Özniteliği Kullanılarak Evrişimsel Sinir Ağı Modelleriyle Meyve Sınıflandırma. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi.
• [7] Aslan, M. (2022). Derin Öğrenme Tabanlı Otomatik Beyin Tümör Tespiti. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 34(1), 399-407.
• [8] Arı, A. (2019). Derin öğrenme tabanlı beyin MR görüntülerinden beyin tümörlerinin tespit edilmesi ve sınıflandırılması.
• [9] Gurkahraman, K., & Karakış, R. (2021). Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(2), 997- 1012.
• [10] Taşcı, B. (2022). Beyin Mr Görüntülerinden mRMR Tabanlı Beyin Tümörlerinin Sınıflandırması.
• [11] Özdemir, C., Doğan, Y., & Ataş, M. CNN Mimarisi ile MR Görüntülerinden Beyin Tümörlerinin Sınıflandırılması.
• [12] Arı, A., & Hanbay, D. (2019). Tumor detection in MR images of regional convolutional neural networks. Journal of the Faculty of Engineering and Architecture of Gazi University, 34(3), 1395- 1408.
• [13] Bulut, F., Kılıç, İ., & İnce, İ. F. (2018). Beyin Tümörü Tespitinde Görüntü Bölütleme Yöntemlerine Ait Başarımların Karşılaştırılması Ve Analizi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 20(58), 173-186.
• [14] Şener, A., & Ergen, B. Beyin MR Görüntüleri Üzerinde Tümör Tespitinde VGG-19 Model Tabanlı Yeni Bir Yaklaşım.
• [15] Kaplan, K. (2020). Beyin tümör tiplerinin makine öğrenmesi ve derin öğrenme tabanlı teknikler ile sınıflandırılması.
• [16] Gao Huang, Z. L. (2016). Densely Connected Convolutional Networks. Proceedings of the IEEE conference on computer vision and pattern recognition.
• [17] Ladomersky E, S. D.-M. (2019). The Coincidence Between Increasing Age, Immunosuppression,and the Incidence of Patients With Glioblastoma. Europe PMC.
• [18] Liu, J. S.-T. (2018). Adiabatic Quantum Computation Applied to Deep Learning Networks. Entropy.
• [19] Maad Shatnawi, F. A. (2023). Deep Learning and Vision-Based Early Drowning Detection. Computer Vision for Security Applications.
• [20] Mahtab Taheri, M. T. (2023). Noise-Tolerance GPU-based Age Estimation Using ResNet-50. 7th International Conference on Reliability and Safety Engineering.
• [21] Mingxing Tan, Q. V. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. International Conference on Machine Learning, 2019.
• [22] Nitin Kumar, P. N. (2020). Image Forgery: Detection of Manipulated Images. SSRN.
• [23] Sartaj Bhuvaji, A. K. (2020). Brain Tumor Classification (MRI). Kaggle: https://www.kaggle.com/datasets/sartajbhuvaji/brain-tumor-classification-mri adresinden alındı. (Erişim Tarihi: 7.05.2023)
• [24] Suresh Pokharel, S. G. (2017). Offline Signature Verification Using Convolutional Neural Network.
• [25] Uçar, M. (2021). Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti. DEÜ FMD.
• [26] Zheng Jiang, K. Z. (2022). Improved VGG-16 Neural Network for Parameter Reduction. ICAIS.