Dört sınıflı veri seti kullanarak beyin tümörlerinin sınıflandırılması

Abstract

Dünya Sağlık Örgütü raporlarına göre beyin tümörlerine bağlı olarak meydana gelen ölümlerin sayısı her geçen gün artmaktadır. Tüm hastalıklarda olduğu gibi beyin tümörlerinde de erken teşhis oldukça önemlidir. Hekimler tarafından MR görüntülerinden beyin tümörünün teşhis edilmesi hem zaman kaybına hem de hatalı yorumlara neden olabilir. Bu nedenle, zaman kaybını ve hata payını en aza indirmek için bilgisayar destekli otomatik tespit sistemleri önemli bir araştırma konusu haline gelmiştir. Bu çalışmada, önerilen model ile beyin tümörlerinin sınıflandırılması amaçlanmıştır. Bu amaç doğrultusunda, dört sınıflı ver seti kullanılarak transfer öğrenme tabanlı Inception-ResNet-V2 evrişimli sinir ağı modeli ile beyin tümörlerinin sınıflandırılması gerçekleştirilmiştir. Elde edilen sonuçlar, 5 kat çapraz doğrulama tekniği kullanılarak 1621 gliyom, 1645 menenjiyom, 1757 hipofiz bezi ve 2000 normal beyin görüntüsünün bulunduğu veri seti üzerinde test edilmiş ve %99,5 ortalama doğruluk başarımı elde edilmiştir.

Keywords

• Beyin tümörü
• evrişimli sinir ağları
• transfer öğrenme
• Inception-ResNet-V2

Classification of Brain Tumors Using a Four-Class Data Set

Abstract

According to World Health Organization reports, the number of deaths due to brain tumors is increasing day by day. As with all diseases, early diagnosis is very important in brain tumors. Diagnosis of brain tumors from MRI images by physicians can cause both loss of time and erroneous interpretations. Therefore, computer-aided automatic detection systems have become an important research topic to minimize time loss and error margin. In this study, the proposed model aims to classify brain tumors. For this purpose, a four-class data set was used to classify brain tumors using a transfer learning based Inception-ResNet-V2 convolutional neural network model. The obtained results were tested on a dataset of 1621 gliomas, 1645 meningiomas, 1757 pituitary glands and 2000 normal brain images using a 5-fold cross validation technique and an average accuracy of 99.5% was achieved.

Keywords

• Brain tumor
• convolutional neural networks
• transfer learning
• Inception-ResNet-V2

References

1. Ali, R., Al-jumaili S., Duru, A. D., Uçan, O. N., Boyaci, A., Duru, D. G., (2022). Classification of brain tumors using MRI images based on convolutional neural network and supervised machine learning algorithms, 2022 International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), 20-22 Ekim 2022. Ankara. ss. 822-827.
2. DeAngelis, L. M., (2001). Brain tumors, New England Journal of Medicine, 344, ss. 114-123.
3. Deepak, S., Ameer, P.M., (2019). Brain tumor classification using deep CNN features via transfer learning, Computers in Biology and Medicine, 111. ss. 1-7.
4. Eker, A.G., Duru, N., (2021). Medikal görüntü işlemede derin öğrenme uygulamaları, Acta Infologica, 5, ss. 459-474.
5. Gomez Guzman, M.A., Jimenez-Beristain, L., Garcia-Guerrero, E.E., Lopez-Bonilla, O.R., Tamayo-Perez, U.J., Esqueda-Elizondo, J.J., Palomino-Vizcaino, K., Inzunza-Gonzalez, E., (2023). Classifying brain tumors on magnetic resonance imaging by using convolutional neural networks, Electronics, 12. ss.1-22.
6. He, K., Zhang, X., Ren, S., Sun, J., (2016). Deep Residual Learning for Image Recognition, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas. ss.770-778.
7. Kanna, G.P., Kumar, S.J., Kumar, Y., Kumar, Y., Changela, A., Wozniak, M., Shafi J., Ljaz, M.F., (2023). Advanced deep learning techniques for early disease prediction in cauliflower plants, Scientific Reports, 13.
8. Nickparvar M., (2023). Brain tumor MRI dataset, https://www.kaggle. com/datasets/masoudnickparvar/brain-tumor-mri-dataset, (Erişim tarihi:16.11.2023).

9. Oyar, O., (2008). Magnetik rezonans görüntüleme (mrg)’nin klinik uygulamaları ve endikasyonları, Harran Üniversitesi Tıp Fakültesi Dergisi, 5. ss.31-40.
10. Özkaraca, O., Bağrıaçık, O.İ., Gürüler, H., Khan, F., Hussain, J., Khan, J., Laila, U., (2023). Multiple brain tumor classification with dense CNN architecture using brain MRI images. Life, 13.
11. Szegedy, C., Loffe S., Vanhoucke, V., Alemi, A.A., (2017), Inception-v4, inception-ResNet and the impact of residual connections on learning, in Proc. 31st AAAI Conf. Artif. Intell., 23 Ağustos 2016, San Francisco.