BEYİN TÜMÖRÜ TEŞHİSİNDE CNN-FL MODELİ AĞ PERFORMANSININ AKTİVASYON FONKSİYONLARINA GÖRE KARŞILAŞTIRILMASI

Abstract

Beyin tümörü, hücre bölünmesinin kontrolden çıkarak hücrelerin büyüyerek kitle haline gelmesinden meydana gelmektedir. Kafatası içerisinde sınırlı bir alanda bulunan beyine baskı oluşturan tümör büyüdükçe kişinin beyninin görevlerini gerçekleştirmemesine neden olmaktadır. Her yaş grubunda meydana gelebilen ve oldukça riskli olan bu tümörün teşhisinin doğru olması kişinin hayat fonksiyonlarının da korunmasını sağlamaktadır. MR Çalışmanın nihai hedefi erken ve doğru teşhis ile kişinin yaşam fonksiyonlarına olduğu gibi devamını sağlamaktır. Hastalıkların doğru ve hızlı teşhisi için yapay zeka sistemleri kullanılmaktadır. Brain Tumor veri seti, CNN mimarisini temel alan ancak daha başarılı sonuçlar verebilen CNN-FL mimarisi ile eğitilmiştir. Literatürde yaygın kullanılan 4 aktivasyon ile eğitimler gerçekleştirilerek karşılaştırılmaları yapılmıştır. Kullanılan aktivasyon fonksiyonları ReLU, Leaky ReLU, GELU ve Swish aktivasyon fonksiyonlarıdır. En yüksek %98 sınıflandırma başarısına GELU aktivasyon fonksiyonu kullanılarak ulaşılmıştır. Çalışmamızın sonunda yapay zeka tabanlı bu modelin MR görüntülerinden beyin tümörü teşhisine yardımcı bir araç olabileceğini göstermektedir.

Keywords

• : CNN-FL
• Beyin Tümörü
• Yapay Zeka
• Derin Öğrenme
• Aktivasyon Fonksiyonları

Comparıson of CNN-FL model network performance accordıng to actıvatıon functıons ın dıagnosıs of braın tumor

Abstract

A brain tumor occurs when cell division goes out of control and the cells grow into a mass. As the tumor grows, it puts pressure on the brain, which is located in a limited area within the skull, causing the person's brain not to perform its functions. The correct diagnosis of this tumor, which can occur in any age group and is quite risky, ensures that the person's life functions are protected. The ultimate goal of the MR Study is to ensure that the person's life functions continue as they are with early and accurate diagnosis. Artificial intelligence systems are used for accurate and rapid diagnosis of diseases. Brain Tumor dataset is trained with CNN-FL architecture, which is based on CNN architecture but can provide more successful results. Trainings were carried out with 4 activations commonly used in the literature and their comparisons were made. The activation functions used are ReLU, Leaky ReLU, GELU and Swish activation functions. The highest 98% classification success was achieved using the GELU activation function. At the end of our study, we show that this artificial intelligence based model can be a helpful tool for brain tumor diagnosis from MR images.

Keywords

• CNN-FL
• Brain Tumor
• Artificial Intelligence
• Deep Learning
• Activation Functions.

References

1. [1] Bulut, F., Kiliç, İ., and İnce, İ. F. (2018), Beyin Tümörü Tespitinde Görüntü Bölütleme Yöntemlerine Ait Başarimlarin Karşilaştirilmasi ve Analizi, Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 20(58), 173-186.
2. [2] Prema, V., Sivasubramanian, M., and Meenakshi, S. (2016), Brain cancer feature extraction using Otsu’s thresholding segmentation. Brain, 6(3).
3. [3] Havaei, M., Davy, A., Warde-Farley, D., Biard, A., Courville, A., Bengio, Y., ... and Larochelle, H., (2016), Brain Tumor Segmentation with Deep Neural Networks. Cornell University Library, arXiv preprint arXiv:1505.03540.
4. [4] Zhang, Z., Lei, Y., Mao, X., and Li, P., (2019), CNN-FL: Evrişimli sinir ağlarını kullanarak hataların yerini tespit etmek için etkili bir yaklaşım, IEEE 26th International Conference on Software Analysis, Evolution and Reengineering (SANER), 445-455.
5. [5] Çaki, E. E., and Bayram, F., (2022), Cnn-Fl Modeli Ile Pnömoni Tespitinin Aktivasyon Fonksiyonlarına Göre Karşılaştırılması.
6. [6] Ozkaya, U., Melgani, F., Bejiga, M. B., Seyfi, L., and Donelli, M. (2020), GPR B scan image analysis with deep learning methods. Measurement, 165, 107770.
7. [7] The AI website. [Online], (2022), Available: https://www.v7labs.com/blog/neural-networks-activation-functions
8. [8] Xu, J., Li, Z., Du, B., Zhang, M., & Liu, J. (2020, July). Reluplex made more practical: Leaky ReLU. In 2020 IEEE Symposium on Computers and communications (ISCC), 1-7.

9. [9] Hendrycks, D. and Gimpel, K. (2016). Gauss hata doğrusal birimleri (gelus). arXiv ön baskı arXiv:1606.08415 .
10. [10] Ramachandran, P., Zoph, B. and Le, QV (2017). Aktivasyon fonksiyonları aranıyor. arXiv ön baskı arXiv:1710.05941 .