20940

Evrişimsel Sinir Ağları Temelli Derin Öğrenme Modelleri Kullanılarak Beyin Tümörü Manyetik Rezonans Görüntülerinin Sınıflandırılması

Beyin tümörü, beyindeki anormal hücre kitlelerinin iyi veya kötü huylu olarak oluşması ve büyümesidir. Çalışma kapsamında beyin tümörü manyetik rezonans görüntüleri üzerinde evrişimsel sinir ağları temelli derin öğrenme modelleri kullanılarak tümör sınıflarının tespit edilmesi amaçlanmıştır. Beyin tümörlerinin sınıflandırılması için derin öğrenme modellerinden AlexNet, VGG ve MobileNet kullanılmıştır. Kaggle platformu üzerinden açık kaynaklı olarak paylaşılan bir normal ve üç anormal olmak üzere dört sınıflı yapıya sahip olan bir beyin tümörleri veri seti kullanılmıştır. Anormal sınıflar, glioma, meningioma ve pituitary'dir. Veri seti üzerinde sınıflandırma öncesinde ön işlem ile veri artırma adımlarında; kontrast sınırlı uyarlanabilir histogram eşitleme, dikey ve yatay çevirme işlemleri uygulanmıştır. Bu işlemin ardından derin öğrenme modellerinin veri setine bağımlılığını analiz edebilmek, azaltmak ve tümör sınıflarının tespit edilebilmesi için veri seti farklı farklı eğitim, doğrulama ve test yüzdelerinde kullanılarak sınıflandırmalar gerçekleştirilmiştir. Beyin tümörlerinin sınıflandırılması için farklı ön işlemli derin öğrenme modelleriyle gerçekleştirilen 225 adet farklı sınıflandırma işlemi sonucunda en iyi doğruluk ve f1-skorları sırasıyla; AlexNet modelinde %94.471, 0.94; VGG16 modelinde %96.875, 0.97; MobileNetV3 modelinde %95.673, 0.96'dir.

Anahtar Kelimeler:

Beyin Tümörü, Biyomedikal Görüntü İşleme, Derin Öğrenme, Evrişimsel Sinir Ağları, Yapay Zekâ, Sınıflandırma

Classification of Brain Tumor Magnetic Resonance Images Using Convolutional Neural Networks-Based Deep Learning Models

A brain tumor is the generation and growth of benign or malignant abnormal cell masses in the brain. In this paper, it is aimed to classify brain tumors with deep learning models based on convolutional neural network on magnetic resonance images of brain tumors. AlexNet, VGG and MobileNet deep learning models are used to classify brain tumors. An open-source brain tumors dataset that is available on Kaggle and has 1 normal, 3 abnormal, 4 total classes is used. Abnormal classes are glioma, meningioma, and pituitary. Contrast limited adaptive histogram equalization (CLAHE), vertical and horizontal flip preprocesses have been used on the dataset as augmentation. After these processes, dataset used with different training, validation, and test split sizes in order to determine the dependency of deep learning models on dataset, reduce this dependency, and detect brain tumor classes. To classify brain tumors, 225 different classification process has been done with deep learning models which has different preprocess parameters and the best accuracy and f1-scores are; for AlexNet model 94.471%, 0.94; for VGG model 96.875%, 0.97; for MobileNetV3 model 95.673%, 0.96; respectively.

Keywords:

Brain Tumor, Biomedical Image Processing, Deep Learning, Convolutional Neural Networks, Classification, Artificial Intelligence,

PDF

___

6. Kaynaklar
[1] Mayo Clinic. “Brain Tumor.” Brain Tumor- Symptoms and Causes. https://www.mayoclinic.org/diseases-conditions/brain-tumor/symptoms-causes/syc-20350084. (Erişim Tarihi: 08.08.2022)
[2] Hopkins Medicine. “Brain Tumor Types.” Brain Tumor Types. https://www.hopkinsmedicine.org/health/conditions-and-diseases/brain-tumor/brain-tumor-types. (Erişim Tarihi: 08.08.2022)
[3] A. Raza vd., “A Hybrid Deep Learning-Based Approach for Brain Tumor Classification,” Electronics, vol. 11, no. 7, p. 1146, Nis. 2022, doi: 10.3390/electronics11071146.
[4] S. A. Qureshi vd., “Intelligent Ultra-Light Deep Learning Model for Multi-Class Brain Tumor Detection,” Applied Sciences, vol. 12, no. 8, p. 3715, Nis. 2022, doi: 10.3390/app12083715.
[5] S. Maqsood, R. Damaševičius, and R. Maskeliūnas, “Multi-Modal Brain Tumor Detection Using Deep Neural Network and Multiclass SVM,” Medicina, vol. 58, no. 8, p. 1090, Ağu. 2022, doi: 10.3390/medicina58081090.
[6] Y. E. Almalki vd., “Isolated Convolutional-Neural-Network-Based Deep-Feature Extraction for Brain Tumor Classification Using Shallow Classifier,” Diagnostics, vol. 12, no. 8, p. 1793, Tem. 2022, doi: 10.3390/diagnostics12081793.
[7] A. Younis, L. Qiang, C. O. Nyatega, M. J. Adamu, and H. B. Kawuwa, “Brain Tumor Analysis Using Deep Learning and VGG-16 Ensembling Learning Approaches,” Applied Sciences, vol. 12, no. 14, p. 7282, Tem. 2022, doi: 10.3390/app12147282.
[8] M. Rasool vd., “A Hybrid Deep Learning Model for Brain Tumour Classification,” Entropy, vol. 24, no. 6, p. 799, Haz. 2022, doi: 10.3390/e24060799.
[9] G. Latif, “DeepTumor: Framework for Brain MR Image Classification, Segmentation and Tumor Detection,” Diagnostics, vol. 12, no. 11, p. 2888, Kas. 2022, doi: 10.3390/diagnostics12112888.
[10] G. T. Mgbejime, M. A. Hossin, G. U. Nneji, H. N. Monday, and F. Ekong, “Parallelistic Convolution Neural Network Approach for Brain Tumor Diagnosis,” Diagnostics, vol. 12, no. 10, p. 2484, Ekim 2022, doi: 10.3390/diagnostics12102484.
[11] D. R. Nayak, N. Padhy, P. K. Mallick, M. Zymbler, and S. Kumar, “Brain Tumor Classification Using Dense Efficient-Net,” Axioms, vol. 11, no. 1, p. 34, Ocak 2022, doi: 10.3390/axioms11010034. [12] H. H. N. Alrashedy, A. F. Almansour, D. M. Ibrahim, and M. A. A. Hammoudeh, “BrainGAN: Brain MRI Image Generation and Classification Framework Using GAN