Beyin Tümör Tespiti İçin Derin Öğrenme Temelli Bilgisayar Destekli Tanı Sistemi
Abstract
Beyin MR segmentasyonu klinik uygulamalarda önem arz etmektedir. Beyin analizi çeşitli yaklaşımlarla bulgular ve anatomik bölgelerin doğru segmentasyonuna dayanır. Beyin MRI analizi, epilepsi, şizofreni, alzheimer, kanser ve bulaşıcı dejeneratif hastalıklar gibi beyin bozukluklarının tedavisi için yaygın bir şekilde kullanılmaktadır. Hasta MRI görüntülerinin doktorlar tarafından manuel segmentasyonu görüntülerin dilim dilim ana hatlarının çıkarılmasını gerektirir. Ancak manuel segmentasyonun uzman görüşü ve teknolojik kısıtları nedeniyle bazı dezavantajları vardır. Bununla birlikte görüntü yorumlama son derece zaman alan bir işlemdir. Tecrübeye bağlı olarak hata yapma oranı da yüksektir. Bu çalışmada, beyin MR görüntülerinden otomatik tümör tespiti için uçtan uca Çok Ölçekli Çok Düzeyli Ağ (Multi-Scale Multi-Level Network MM-Network) modeli önerilmiştir. Gerçekleştirilen çalışmada, UNet'teki evrişimli ağ seviyesinde çoklu uzamsal ölçeklerin küresel bağlamsal özelliklerini birleştirerek, ağlar boyunca özellik haritalarının boyutuna bağlı olarak alıcı alanın farklı oranlarda genişlemesini sağlayan genişletilmiş evrişim modülünden yararlanılmıştır. Yapılan deneysel çalışmalarda önerilen model ile yüksek doğrulukta tümör tespiti sağlanmıştır.
Keywords
Derin öğrenme, Bilgisayar destekli tanı sistemi, Segmentasyon
References
- [1] H. Mohsen, E.S. El-Dahshan, E.S. El-Horbarty and A.B M.Salem, “Brain tumor type classification based on support vector machine in magnetic resonance images,” Annals of Dunarea de Jos University of Galati, vol. Fascicle II, Year IX, 2017.
- [2] H. Chen, Q. Dou, L. Yu, J. Qin and P.A Heng, “VoxResNet: Deep voxelwise residual networks for brain segmentation from 3D MR images,” Neuroimage, vol.170, pp.446-455, 2018.
- [3] S.S. Yadav and S.M. Jadhav, “Deep convolutional neural network based medical image classification for disease diagnosis,” Journal of Big Data, vol.6, no.1, pp.113, 2019.
- [4] M. A. Al-masni, M. A. Al-antari, J.M Park, G. Gi, T.Y Kim, P.Rivera, E. Valarezo, M.T. Choi, S.M Han and T.S. Kim, “Simultaneous detection and classification of breast masses in digital mammograms via a deep learning YOLO-based CAD system,” Computer Methods and Programs in Biomedicine, vol.157, pp.85-94, 2018.
- [5] Zhao, Hengshuang, Jianping Shi, Xiaojuan Qi, Xiaogang Wang and Jiaya Jia. “Pyramid Scene Parsing Network.” IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp.6230-6239.
- [6] M.A. Al-masni and D.H. Kim, “CMM-Net: Contextual multi-scale multi-level network for efficient biomedical image segmentation,” Scientific Reports, vol.11, no.1, pp. 10191, 2021.
- [7] O. Yıldız, "Melanoma detection from dermoscopy images with deep learning methods: A comprehensive study," Journal of the Faculty of Engineering and Architecture of Gazi University , vol.34, no.4, pp.2241-2260, 2019.
- [8] H. Bingol ve B. Alatas , "Classification of brain tumor ımages using deep learning methods," Turkish Journal of Science and Technology, c. 16, sayı. 1, ss. 137-143, 2021.
- [9] I. Rizwan I Haque and J. Neubert, “Deep learning approaches to biomedical image segmentation,” Informatics in Medicine Unlocked, vol.18, pp. 100297, 2020.
- [10] F. Bulut, İ. Kılıç ve F. İnce, “Beyin tümörü tespitinde görüntü bölütleme yöntemlerine ait başarımların karşılaştırılması ve analizi,” Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, c. 20, ss. 173-186, 2018.