Beyin Tümörü Sınıflandırmada Histogram Eşitleme Yönteminin Bazı Derin Öğrenme Modellerine Etkileri

Yıl 2023, Cilt: Vol:8 Sayı: Issue:2, 83 - 92, 20.12.2023

Çetin Erçelik Kazım Hanbay

https://doi.org/10.53070/bbd.1373990

Öz

Beyin tümörü beyinde bulunan hücrelerin yenilenmesi sırasında oluşan hatalardan dolayı kafatası içerisinde anormal kitle büyümesinin genel adıdır. Beyin tümöründen hayatını kaybeden kişi sayısı gün geçtikçe artmaktadır. Kayıpları azaltmak için hastalığın tedavi planlamasında ve sonuç değerlendirilmesinde erken teşhis hayati bir önem taşımaktadır. Beyin tümör teşhisi için yaygın olarak kullanılan ve beyin içerisindeki dokuları gösteren MR (manyetik rezonans) görüntüleme yöntemi kullanılmaktadır. Geleneksel yöntemlerle MR görüntülerini kullanılarak beyin tümörünü sınıflandırmak beyin yapısı ve içindeki dokuların karmaşık olmasından dolayı zordur. Beyin tümörü sınıflandırmasında son yıllarda popüler olan ve sınıflandırma konusunda yüksek doğruluk oranları yakalayan derin öğrenme mimarileri kullanılmaktadır. Bu çalışmada VGG16,VGG19 ve MobileNet derin öğrenme mimarileri karşılaştırılarak en yüksek doğruluk oranına sahip olan mimarinin belirlenmesi amaçlanmıştır. Bu mimarilerin başarısını artırmak için veri tabanındaki görüntülere histogram eşitleme işlemi uygulanmıştır. Kullanılan veri seti 3590 MR görüntüsünden oluşup dört beyin tümörü sınıfından (glioma, meningioma, tümörsüz, pituitary) oluşmaktadır. Yapılan test ve eğitim sonucunda en yüksek doğruluk MobileNet tarafından elde edilmiştir. Deneysel çalışmalar histogram eşitleme işleminin görüntülerin kalitesini iyileştirerek derin öğrenme mimarilerinin performanslarına olumlu katkılar sunduğunu göstermiştir.

Anahtar Kelimeler

Beyin Tümörü, Görüntü Sınıflandırma, Derin öğrenme

Effects of Histogram Equalization Method on Some Deep Learning Models in Brain Tumor Classification

Öz

Brain tumor is the general name for abnormal mass growth within the skull due to errors that occur during the renewal of cells in the brain. The number of people dying from brain tumors is increasing day by day. In order to reduce losses, early diagnosis is of vital importance in treatment planning and outcome evaluation of the disease. MRI (magnetic resonance) imaging method, which is widely used for brain tumor diagnosis and shows the tissues within the brain, is used. It is difficult to classify brain tumors using MRI images using traditional methods due to the complexity of the brain structure and the tissues within it. Deep learning architectures, which have become popular in recent years and achieve high accuracy rates in classification, are used in brain tumor classification. In this study, it was aimed to determine the architecture with the highest accuracy rate by comparing VGG16, VGG19 and MobileNet deep learning architectures. To increase the success of these architectures, histogram equalization process was applied to the images in the database. The data set used consists of 3590 MR images and consists of four brain tumor classes (glioma, meningioma, non-tumor, pituitary). As a result of the testing and training, the highest accuracy was obtained by MobileNet. Experimental studies have showed that histogram equalization makes positive contributions to the performance of deep learning architectures by improving the quality of images.

Anahtar Kelimeler

Brain Tumor, Image Classification, Deep learning.

Kaynakça

• Al-Saffar, Zahraa A., and Tülay Yildirim. 2021. “A Hybrid Approach Based on Multiple Eigenvalues Selection (MES) for the Automated Grading of a Brain Tumor Using MRI.” Computer Methods and Programs in Biomedicine 201:105945. doi: 10.1016/J.CMPB.2021.105945.
• Altun, Sinan, and Ahmet Alkan. 2022. “MR Spektroskopi Kullanılarak Beyin Tümörü Tespitinde LSTM Tabanlı Derin Öğrenme Uygulaması.” Journal of the Faculty of Engineering and Architecture of Gazi University 38(2):1193–1202. doi: 10.17341/GAZIMMFD.1069632.
• Anon. n.d. “Brain Tumor Mri Classification.” Retrieved October 3, 2023 (https://www.kaggle.com/datasets/mohammedhamdy98/brain-tumor-mri-classification/).
• Asif, Sohaib, Wenhui Yi, Qurrat Ul Ain, Jin Hou, Tao Yi, and Jinhai Si. 2022. “Improving Effectiveness of Different Deep Transfer Learning-Based Models for Detecting Brain Tumors From MR Images.” IEEE Access 10:34716–30. doi: 10.1109/ACCESS.2022.3153306.
• Aslan, Muzaffer, Elektrik Elektronik Mühendisliği Bölümü, Mühendislik ve Mimarlık Fakültesi, and Bingöl Üniversitesi. 2022. “Derin Öğrenme Tabanlı Otomatik Beyin Tümör Tespiti.” Fırat University Journal of Engineering Science 34(1):399–407. doi: 10.35234/FUMBD.1039825.
• Bulut, Faruk, İlker Kiliç, and İbrahim Furkan İnce. 2018. “Beyin Tümörü Tespitinde Görüntü Bölütleme Yöntemlerine Ait Başarımların Karşılaştırılması ve Analizi.” Dokuz Eylul University-Faculty of Engineering Journal of Science and Engineering 20. doi: 10.21205/deufmd.
• BÜYÜKARIKAN, Birkan, and Erkan ÜLKER. 2020. “AYDINLATMA ÖZNİTELİĞİ KULLANILARAK EVRİŞİMSEL SİNİR AĞI MODELLERİ İLE MEYVE SINIFLANDIRMA.” Uludağ Üniversitesi Mühendislik Fakültesi Dergisi 25(1):81–100. doi: 10.17482/UUMFD.628166.
• Díaz-Pernas, Francisco Javier, Mario Martínez-Zarzuela, David González-Ortega, and Míriam Antón-Rodríguez. 2021. “A Deep Learning Approach for Brain Tumor Classification and Segmentation Using a Multiscale Convolutional Neural Network.” Healthcare 2021, Vol. 9, Page 153 9(2):153. doi: 10.3390/HEALTHCARE9020153.
• Gökçe, Emin, Mehmet Fatih Demiral, Ali Hakan Işik, and Mehmet Bilen. 2022. “Evrişimli Sinir Ağlarında Beyin Tümörü Segmentasyonu.” El-Cezeri 9(4):1518–28. doi: 10.31202/ECJSE.1141335.
• Gül Eker, Ayşe, Nevcihan Duru, Kocaeli Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Havacılık ve Uzay Bilimleri Fakültesi, Havacılık Elektrik Elektroniği Bölümü, and Ayşe Gül EKER Kocaeli Üniversitesi. 2021. “Medikal Görüntü İşlemede Derin Öğrenme Uygulamaları.” Acta Infologica 5(2):459–74. doi: 10.26650/ACIN.927561.
• Gürkahraman, Kali, and Rukiye Karakiş. 2021. “Veri Çoğaltma Kullanılarak Derin Öğrenme Ile Beyin Tümörlerinin Sınıflandırılması.” Journal of the Faculty of Engineering and Architecture of Gazi University 36(2):997–1012. doi: 10.17341/GAZIMMFD.762056.
• Işin, Ali, Cem Direkoǧlu, and Melike Şah. 2016. “Review of MRI-Based Brain Tumor Image Segmentation Using Deep Learning Methods.” Procedia Computer Science 102:317–24. doi: 10.1016/J.PROCS.2016.09.407. Lecun, Yann, Yoshua Bengio, and Geoffrey Hinton. 2015. “Deep Learning.” Nature 2015 521:7553 521(7553):436–44. doi: 10.1038/nature14539.
• Musallam, Ahmed S., Ahmed S. Sherif, and Mohamed K. Hussein. 2022. “A New Convolutional Neural Network Architecture for Automatic Detection of Brain Tumors in Magnetic Resonance Imaging Images.” IEEE Access 10:2775–82. doi: 10.1109/ACCESS.2022.3140289.
• Mutlu Bi̇lgi̇n, Mehtap, Kevser Özdem, and M. Ali AKCAYOL. n.d. “POLİTEKNİK DERGİSİ JOURNAL of POLYTECHNIC Derin Öğrenme Ile Kuş Türü Sınıflandırma: Karşılaştırmalı Bir Çalışma Bird Species Classification Using Deep Learning: A Comparative Study.” doi: 10.2339/politeknik.904933.
• Öğrenme Algoritmalarının Yaprak Sınıflandırma Başarımlarının Karşılaştırılması Ferdi DOĞAN, Derin. 2018. “The Comparison Of Leaf Classification Performance Of Deep Learning Algorithms.” SAKARYA UNIVERSITY JOURNAL OF COMPUTER AND INFORMATION SCIENCES 1.
• Polat, Özlem. 2022. “Sadeleştirilmiş U-Net Mimarisi Ile Beyin Tümörü Segmentasyonu Brain Tumor Segmentation with Simplified U-Net Architecture.” Bilim. Derg. / NOHU J. Eng. Sci 11(4):856–61. doi: 10.28948/ngmuh.1111082.
• Rasool, Mohammed, Norazman Ismail, Wadii Boulila, Adel Ammar, Hussein Samma, Waelm S. Yafooz, and Abdel Hamidm Emara. 2022. “A Hybrid Deep Learning Model for Brain Tumour Classification.” Entropy 2022, Vol. 24, Page 799 24(6):799. doi: 10.3390/E24060799.
• Raza, Asaf, Huma Ayub, Javed Ali Khan, Ijaz Ahmad, Ahmed S. Salama, Yousef Ibrahim Daradkeh, Danish Javeed, Ateeq Ur Rehman, and Habib Hamam. 2022. “A Hybrid Deep Learning-Based Approach for Brain Tumor Classification.” Electronics 2022, Vol. 11, Page 1146 11(7):1146. doi: 10.3390/ELECTRONICS11071146.
• Sachdeva, Jainy, Vinod Kumar, Indra Gupta, Niranjan Khandelwal, and Chirag Kamal Ahuja. 2013. “Segmentation, Feature Extraction, and Multiclass Brain Tumor Classification.” Journal of Digital Imaging 26(6):1141–50. doi: 10.1007/S10278-013-9600-0/METRICS.
• Saleh, Ahmad, Rozana Sukaik, and Samy S. Abu-Naser. 2020. “Brain Tumor Classification Using Deep Learning.” Proceedings - 2020 International Conference on Assistive and Rehabilitation Technologies, ICareTech 2020 131–36. doi: 10.1109/ICARETECH49914.2020.00032.
• Shah, Hasnain Ali, Faisal Saeed, Sangseok Yun, Jun Hyun Park, Anand Paul, and Jae Mo Kang. 2022. “A Robust Approach for Brain Tumor Detection in Magnetic Resonance Images Using Finetuned EfficientNet.” IEEE Access 10:65426–38. doi: 10.1109/ACCESS.2022.3184113.
• Siddique, Nahian, Sidike Paheding, Colin P. Elkin, and Vijay Devabhaktuni. 2021. “U-Net and Its Variants for Medical Image Segmentation: A Review of Theory and Applications.” IEEE Access. doi: 10.1109/ACCESS.2021.3086020.
• Üniversitesi, Hacettepe, Yerbilimleri Uygulama, Araştırma Merkezi Bülteni, Manyetik Belirti, Haritalarının Histogram, Eşitleme Yöntemi, Kullanılarak İyileştirilmesi, Muzaffer Özgü Arisoy, and Ünal Dikmen. 2014. “Manyetik Belirti Haritalarının Histogram Eşitleme Yöntemi Kullanılarak İyileştirilmesi.” Yerbilimleri 35(2):141–68. doi: 10.17824/HUYUAMD.23614.
• Varuna Shree, N., and T. N. R. Kumar. 2018. “Identification and Classification of Brain Tumor MRI Images with Feature Extraction Using DWT and Probabilistic Neural Network.” Brain Informatics 5(1):23–30. doi: 10.1007/S40708-017-0075-5/FIGURES/4.
• Zulfiqar, Fatima, Usama Ijaz Bajwa, and Yasar Mehmood. 2023. “Multi-Class Classification of Brain Tumor Types from MR Images Using EfficientNets.” Biomedical Signal Processing and Control 84:104777. doi: 10.1016/J.BSPC.2023.104777.