Beyin MR görüntülerindeki tümörlerin sınıflandırılmasında farklı derin öğrenme ve görüntü işleme yöntemlerinin performanslarının incelenmesi
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İnönü Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Beyin tümörü, kafatası içindeki hücrelerin yenilenmesi sırasında meydana gelen kopyalama hataları nedeniyle oluşan anormal kitle büyümesini ifade eder. Maalesef, beyin tümörleri nedeniyle kaybedilen insan sayısı her geçen gün artmaktadır. Bu trajik kayıpları azaltmak için hastalığın tedavi planlaması ve sonuç değerlendirmesinde erken teşhis hayati bir rol oynamaktadır. Beyin tümörlerini teşhis etmek için en yaygın kullanılan yöntemlerden biri manyetik rezonans (MR) görüntüleme yöntemidir. Ancak, beyin yapısının ve iç dokularının karmaşıklığı nedeniyle geleneksel yöntemlerle MR görüntülerini kullanarak beyin tümörlerini sınıflandırmak zorlu bir görevdir. Son yıllarda, derin öğrenme mimarileri beyin tümörü sınıflandırmasında popülerlik kazanmış ve yüksek doğruluk oranları elde etmiştir. Bu çalışma, VGG16, VGG19 ve MobileNet gibi farklı derin öğrenme mimarilerini karşılaştırarak en yüksek doğruluk oranına sahip olanın belirlenmesini amaçlamaktadır. Bu mimarilerin başarısını artırmak için görüntülere histogram eşitleme, Gauss filtreleme gibi görüntü işleme yöntemleri uygulanmıştır. Kullanılan iki farklı dataset üç farklı beyin tümörü sınıfını (glioma, meningioma, pituitary) ve tümörsüz görüntüleri içeren MR görüntülerinden oluşmaktadır. Geliştirilen yöntemler güncel derin öğrenme teknikleri ve farklı performans metrikleri kullanılarak karşılaştırılmıştır. Deneysel sonuçlar, geliştirilen yöntemlerin etkin sonuçlar elde ettiğini göstermektedir.
Brain tumor refers to abnormal mass growth that occurs due to copying errors that occur during the renewal of cells within the skull. Unfortunately, the number of people dying due to brain tumors is increasing day by day. To reduce these tragic losses, early diagnosis plays a vital role in treatment planning and outcome evaluation of the disease. One of the most commonly used methods to diagnose brain tumors is magnetic resonance (MR) imaging. However, classifying brain tumors using MR images using traditional methods is a challenging task due to the complexity of the brain structure and internal tissues. In recent years, deep learning architectures have gained popularity and achieved high accuracy rates in brain tumor classification. This study aims to determine the one with the highest accuracy by comparing different deep learning architectures such as VGG16, VGG19 and MobileNet. To increase the success of these architectures, image processing methods such as histogram equalization and Gaussian filtering have been applied to the images. The two different datasets used consist of MR images containing three brain tumor classes (glioma, meningioma, pituitary) and non-tumor images. The developed methods were compared using current deep learning techniques and different performance metrics. Experimental results show that the developed methods achieve effective results.
Brain tumor refers to abnormal mass growth that occurs due to copying errors that occur during the renewal of cells within the skull. Unfortunately, the number of people dying due to brain tumors is increasing day by day. To reduce these tragic losses, early diagnosis plays a vital role in treatment planning and outcome evaluation of the disease. One of the most commonly used methods to diagnose brain tumors is magnetic resonance (MR) imaging. However, classifying brain tumors using MR images using traditional methods is a challenging task due to the complexity of the brain structure and internal tissues. In recent years, deep learning architectures have gained popularity and achieved high accuracy rates in brain tumor classification. This study aims to determine the one with the highest accuracy by comparing different deep learning architectures such as VGG16, VGG19 and MobileNet. To increase the success of these architectures, image processing methods such as histogram equalization and Gaussian filtering have been applied to the images. The two different datasets used consist of MR images containing three brain tumor classes (glioma, meningioma, pituitary) and non-tumor images. The developed methods were compared using current deep learning techniques and different performance metrics. Experimental results show that the developed methods achieve effective results.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
