Derin Öğrenme Tabanlı Otomatik Beyin Tümör Tespiti

Beyin tümörleri, insan ölümlerinin en önemli nedenlerinden biridir. Beyin tümörlerinin erken ve doğru teşhisi tedavi için oldukça önemlidir. Manyetik rezonans görüntüleme (MRG), beyin tümörlerinin tespitindeki en önemli verilerdir. Geleneksel yöntemler ile yapılan hastalık tespiti yerine yapay zekâ temelli bilgisayar uygulamaları ile beyin tümörlerinin tespiti uzmanlara önemli katkılar sağlayabilir. Özellikle son dönemler popüler olan derin öğrenme yöntemlerinin, medikal görüntülerin işlenmesine dayalı hastalık tespiti yaygın olarak kullanılmaktadır. Bu çalışmada, MRG görüntüler ile beyin tümörlerinin tespiti için MobilNetV2 derin öğrenme modeli ile birlikte k en yakın koşu (k-EYK) algoritması kullanılmıştır. Çalışmada, öznitelik olarak önceden eğitilmiş MobileNetV2 modelinin tam bağlantı katman değerleri kullanılmıştır. Elde edilen özniteliklerin sınıflandırılmasında daha yüksek performansından dolayı k-EYK algoritması kullanılmıştır. Yapılan deneysel çalışmalarda, önerilen yöntem ile beyin tümörlerinin tespitinde %96,5 doğruluk skoruna ulaşılmıştır. Aynı veri setinin kullanıldığı literatürdeki diğer bazı çalışmalar ile karşılaştırıldığında daha yüksek bir başarım sağlanmıştır.

Anahtar Kelimeler:

Beyin tümörü, derin öğrenme, MobileNetV2 model, sınıflandırma

PDF

___

[1]. Arbane, M., Benlamri, R., Brik, Y., & Djerioui, M. (2021, February). Transfer Learning for Automatic Brain Tumor Classification Using MRI Images. In 2020 2nd International Workshop on Human-Centric Smart Environments for Health and Well-being (IHSH) (pp. 210-214). IEEE.
[2]. Tamilselvi, R., Nagaraj, A., Beham, M. P., & Sandhiya, M. B. (2020, February). BRAMSIT: A Database for Brain Tumor Diagnosis and Detection. In 2020 Sixth International Conference on Bio Signals, Images, and Instrumentation (ICBSII) (pp. 1-5). IEEE.
[3]. Hazra, A., Dey, A., Gupta, S. K., & Ansari, M. A. (2017, August). Brain tumor detection based on segmentation using MATLAB. In 2017 International Conference on Energy, Communication, Data Analytics and Soft Computing (ICECDS) (pp. 425-430). IEEE.
[4]. Kapoor, L., & Thakur, S. (2017, January). A survey on brain tumor detection using image processing techniques. In 2017 7th international conference on cloud computing, data science & engineering-confluence (pp. 582-585). IEEE.
[5]. Maynard, J., Okuchi, S., Wastling, S., Busaidi, A. A., Almossawi, O., Mbatha, W., ... & Thust, S. (2020). World Health Organization grade II/III glioma molecular status: prediction by MRI morphologic features and apparent diffusion coefficient. Radiology, 296(1), 111-121.
[6]. Abd El Kader, I., Xu, G., Shuai, Z., Saminu, S., Javaid, I., & Salim Ahmad, I. (2021). Differential deep convolutional neural network model for brain tumor classification. Brain Sciences, 11(3), 352.
[7]. Arı, A., Alcin, O. F., & Hanbay, D. (2020). Brain MR image classification based on deep features by using extreme learning machines. Biomedical Journal of Scientific & Technical Research, 25, 19137-19144.
[8]. Ari, A., Alpaslan, N., & Hanbay, D. (2015, October). Computer-aided tumor detection system using brain MR images. In 2015 Medical Technologies National Conference (TIPTEKNO) (pp. 1-4). IEEE.
[9]. Mohsen, H., El-Dahshan, E. S. A., El-Horbaty, E. S. M., & Salem, A. B. M. (2018). Classification using deep learning neural networks for brain tumors. Future Computing and Informatics Journal, 3(1), 68-71.
[10]. Afshar, P., Mohammadi, A., & Plataniotis, K. N. (2018, October). Brain tumor type classification via capsule networks. In 2018 25th IEEE International Conference on Image Processing (ICIP) (pp. 3129-3133). IEEE.
[11]. Vani, N., Sowmya, A., & Jayamma, N. (2017). Brain tumor classification using support vector machine. International Research Journal of Engineering and Technology (IRJET), 4.
[12]. Citak-Er, F., Firat, Z., Kovanlikaya, I., Ture, U., & Ozturk-Isik, E. (2018). Machine-learning in grading of gliomas based on multi-parametric magnetic resonance imaging at 3T. Computers in biology and medicine, 99, 154-160.
[13]. Shahzadi, I., Tang, T. B., Meriadeau, F., & Quyyum, A. (2018, December). CNN-LSTM: Cascaded framework for brain Tumour classification. In 2018 IEEE-EMBS Conference on Biomedical Engineering and Sciences (IECBES) (pp. 633-637). IEEE.
[14]. Swati, Z. N. K., Zhao, Q., Kabir, M., Ali, F., Ali, Z., Ahmed, S., & Lu, J. (2019). Brain tumor classification for MR images using transfer learning and fine-tuning. Computerized Medical Imaging and Graphics, 75, 34-46.
[15]. Saxena, P., Maheshwari, A., & Maheshwari, S. (2021). Predictive modeling of brain tumor: A Deep learning approach. In Innovations in Computational Intelligence and Computer Vision (pp. 275-285). Springer, Singapore.
[16]. Chakrabarty N. Brain MRI Images for Brain Tumor Detection. Kaggle 2019. https://www.kaggle.com/navoneel/brain-mri-images-for-brain-tumor-detection.
[17]. Çinar, A., & Yildirim, M. (2020). Detection of tumors on brain MRI images using the hybrid convolutional neural network architecture. Medical hypotheses, 139, 109684.
[18]. Budak, Ü., Cömert, Z., Rashid, Z. N., Şengür, A., & Çıbuk, M. (2019). Computer-aided diagnosis system combining FCN and Bi-LSTM model for efficient breast cancer detection from histopathological images. Applied Soft Computing, 85, 105765.
[19]. Aslan, M. (2021). CNN based efficient approach for emotion recognition. Journal of King Saud University-Computer and Information Sciences.
[20]. ASLAN, M. Derin Öğrenme ile Bitki Hastalıklarının Tespiti. Avrupa Bilim ve Teknoloji Dergisi, (23), 540-546.
[21]. Demir, F., Turkoglu, M., Aslan, M., & Sengur, A. (2020). A new pyramidal concatenated CNN approach for environmental sound classification. Applied Acoustics, 170, 107520.
[22]. Balaha, H. M., El-Gendy, E. M., & Saafan, M. M. (2021). CovH2SD: A COVID-19 detection approach based on Harris Hawks Optimization and stacked deep learning. Expert Systems with Applications, 186, 115805.
[23]. Turkoglu, M., Alcin, O. F., Aslan, M., Al-Zebari, A., & Sengur, A. (2021). Deep rhythm and long short term memory-based drowsiness detection. Biomedical Signal Processing and Control, 65, 102364.
[24]. Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., ... & Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
[25]. Wang, F., Zheng, R., Li, P., Song, H., Du, D., & Sun, J. (2021, May). Face recognition on Raspberry Pi based on MobileNetV2. In 2021 International Symposium on Artificial Intelligence and its Application on Media (ISAIAM) (pp. 116-120). IEEE.
[26]. DEMİR, F. (2021). Derin Öğrenme Tabanlı Yaklaşımla Kötü Huylu Deri Kanserinin Dermatoskopik Görüntülerden Saptanması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 33(2), 617-624.