Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti

Yıl 2019, , 1395 - 1408, 29.05.2019

Ali Arı Davut Hanbay

https://doi.org/10.17341/gazimmfd.460535

Cited By: 11

Öz

Beyin tümörlerinden kaynaklı insan ölümleri günümüzde artmaktadır. Beyin tümörü çok hızlı büyüyerek, normal boyutunun iki katına çıkabilir. Bu yüzden uzmanlar, Manyetik Rezonans (MR) görüntülerini inceleme sürecini hızlı bir şekilde yapmalıdır. Bu adım kanser tanısında, tedavi planlamasında ve tedavi sonucunun değerlendirilmesinde hayati öneme sahiptir. Beyninde tümör olan hasta doğru ve hızlı tedavi edilmezse, hastanın hayatta kalma şansı azalır ve bu durum hastanın ölümüne neden olabilir. Bu makalede, beyin MR görüntülerinden tümörü kolayca tespit eden ve tümörün yerini belirten, uzmanlara yardımcı olabilecek bilgisayar destekli otomatik tümör tespit sistemi geliştirilmiştir. Geliştirilen sistem derin öğrenme mimarilerinden olan Bölgesel tabanlı Evrişimsel Sinir Ağları (BESA) tabanlıdır. BESA, Evrişimsel Sinir Ağları (ESA) mimarisini kullanan bir yapı olmakla birlikte giriş görüntüsüne ek olarak ilgilenilen bölgenin de giriş olarak verildiği bir yapı olarak düşünülebilir. Önerilen metot içerisinde farklı BESA mimarileri tasarlanarak Benchmark, Rembredant ve Harvard veri setleri üzerinde test edilmiştir. Elde edilen en yüksek doğruluk değeri %99.10 ile BESA4 mimarisi ve Benchmark veri setinden elde edilmiştir. En yüksek ortalama doğruluk ise yine BESA4 mimarisi ile  %98.66 olarak hesaplanmıştır. Ayrıca, önerilen yöntemin başarımı, literatürdeki bazı yöntemler ile kıyaslanmıştır. Kıyaslamalar da önerilen yöntemin daha başarılı olduğu görülmüştür.

Anahtar Kelimeler

Biyomedikal görüntüleme, beyin tümör tespiti; derin öğrenme; bölgesel tabanlı evrişimsel sinir ağları

Kaynakça

• Amin, J., Sharif, M., Yasmin, M., Fernandes, S.L., A distinctive approach in brain tumor detection and classification using MRI, Pattern Recognition Letters, 2017.
• Shang,H., Zhao, W., Zhang, W., Preoperative Assessment Using Multimodal Functional Magnetic Resonance Imaging Techniques in Patients with Brain Gliomas, Turkish Neurosurgery, 22(5),558-565,2012.
• Tüm Radyoloji Teknisyenleri ve Teknikerleri Derneği.
• http://www.tumrad.net/FileUpload/ds58732/File/manyetik_rezonans_goruntuleme_mrg_.pdf. Erişim Tarihi Kasım 25,2017.
• Herek, D., Karabulut, N., Manyetik Rezonans Görüntüleme, TTD Toraks Cerrahisi Bülteni, 1(3), 214-222, 2010.
• Kaya, H., Çavuşoğlu, A., Çakmak,H.B., Şen, B., Delen, D., Görüntü bölütleme ve görüntü benzetimi yöntemleri yardımı ile hastalığın teşhis ve tedavi sonrası süreçlerinin desteklenmesi: Keratokonus örneği, Journal of The Faculty of Engineering and Architecture of Gazi University, 31(3), 737-747, 2016.
• Ari,A., Alpaslan, N., Hanbay, D., Beyin MR Görüntülerinden Bilgisayar Destekli Tümör Teşhisi Sistemi, Tıp Teknolojileri Ulusal Kongresi, Bodrum, Türkiye, 15-17 Ekim, 2015.
• Iftekharuddin, K.M., Zheng, J., Islam, M.A., Ogg, R.J., Fractal-based brain tumor detection in multimodal MRI, Applied Mathematics and Computation, 207 (1), 23–41, 2009.
• Mustaqeem, A., Javed, A., Fatima, T., An efficient brain tumor detection algorithm using watershed and thresholding based segmentation, International Journal of Image, Graphics and Signal Processing(IJIGSP), 4 (10), 34–39.2012.
• Kole, D.K., & Halder, A., Automatic brain tumor detection and iso- lation of tumor cells from MRI Images,
• International Journal of Computer Applications in Technology, 39(16), 26–30, 2012.
• Meena, A., & Raja, R., Spatial fuzzy c means pet image segmentation of neurode- generative disorder, Computer Vision and Pattern Recognition, 4 (1), 50–55, 2013.
• Nabizadeh, N., N., John, C., Wright, Histogram-based gravitational optimization algorithm on single MR modality for automatic brain lesion detection and segmentation, Expert Systems with Applications, 41(17) 7820–7836, 2014.
• Yaqub, M., Javaid, M. K., Cooper, C., Noble, J. A., Investigation of the role of feature selection and weighted voting in random forests for 3–D volumetric segmentation. IEEE Transactions on Medical Imaging, 33 (2), 258–271, 2014.
• Eman, A.M., Mohammed, E., Rashid A.A., Brain tumor segmentation based on a hybrid clustering technique, Egyptian Informatics Journal, 16(1), 71–81, 2015.
• Nabizadeh, N., & Kubat, M., Brain tumors detection and segmentation in MR images: Gabor wavelet vs. statistical features, Computers & Electrical Engineering, 45, 286–301, 2015.
• Mousavi, S.M., Naghsh, A.,Abu-Bakar, S.A.R., A heuristic automatic and robust ROI detection method for medical image warermarking, Journal of Digital Imaging, 28 (4), 417–427,2015.
• Ahmadvand, A., & Kabiri, P., Multispectral MRI image segmentation using Markov random field model. Signal, Image and Video Processing, 10, 251–258, 2016.
• Sudharani, K., Sarma, T.C., Prasad, K.S., Advanced morphological technique for automatic brain tumor detection and evaluation of statistical parameters, Procedia Technology, 24, 1374–1387, 2016 .
• Kadam, M., & Dhole, A., Brain tumor detection using GLCM with the help of KSVM, International Journal of Engineering & Technical Research, 7 (2), 2454–4698, 2017.
• Abbasi, S., & Tajeripour, F., Detection of brain tumor in 3D MRI images using local binary patterns and histogram orientation gradient, Neurocomputing, 219, 526–535, 2017.
• Başoğlu, B., Bulut, M., Kısa dönem elektrik talep tahminleri için yapay sinir ağları ve uzman sistemler tabanlı hibrit sistem geliştirilmesi, Journal of The Faculty of Engineering and Architecture of Gazi University, 32 (2), 575-583, 2017.
• Cengil, E. Çınar, A., Güler, Z., A GPU-Based Convolutional Neural Network Approach for Image Classification, Artificial Intelligence and Data Processing Symposium (IDAP), Malatya, Türkiye, 16-17 Eylül, 2017.
• Gao, X., Li, W., Loomes, M., Wang, L., A fused deep learning architecture for viewpoint classification of echocardiography, Information Fusion, 36, 103–113, 2017.
• Gao, X. W., Hui, R., Tian, Z., Classification of CT brain images based on deep learning networks, Computer Methods and Programs in Biomedicine, 138, 49–56, 2017.
• Berna Arı: “Kayısı Yapraklarının Evrişimsel Sinir Ağları Kullanılarak Sınıflandırılması”, Uydu görüntülerinde havaalanlarının tespit edilmesi”, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Teknolojileri Mühendisliği, Fırat Üniversitesi, 2017.
• Ümit Budak: “Uydu görüntülerinde havaalanlarının tespit edilmesi”, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği, Fırat Üniversitesi, 2017.
• Ari, B., Sengur, A., Ari, A., Hanbay D., Apricot Plant Classification Based On Leaf Recognition by Using Convolutional Neural Networks, International Conference on Natural Science and Engineering (ICNASE’16), Kilis, Türkiye, 19-20 Mart, 2016.
• CS231n: Convolutional Neural Networks for Visual Recognition. http://cs231n.github.io/convolutional-networks/#fc. Erişim Tarihi: Ekim 20, 2017.
• Hinton, G., Osindero, S., Teh, Y., A Fast Learning Algorithm for Deep Belief Nets, Neural Computation, 18(7), 1527-1554, 2006.
• Alper Ulu: “Deep Convolutıonal Neural Network Based Representatıons For Person Re-Identıfıcatıon”, Department of Computer Engineering Computer Engineering Programme, Istanbul Technıcal Unıversıty, June 2016.
• Havaei, M., Davy, A., Warde-Farley, D., Biard, A., Courville, A., Bengio, Y., Pal, C., Jodoin, P.M., Larochelle, H., Brain tumor segmentation with deep neural networks, Medical Image Analysis, 35, 18–31,2017.
• Multimodal Brain Tumor Segmentation. https://www.smir.ch/BRATS/Start2015. Erişim tarihi: Eylül 7,2017
• The image data in The Cancer Imaging Archive (TCIA),
• https://wiki.cancerimagingarchive.net/display/Public/REMBRANDT. Erişim Tarihi: Aralık 25, 2017.
• Summers, D., Harvard whole brain atlas: www.med.harvard.edu/AANLIB/home.html, J. Neurol. Neurosurg. Psychiatry 74 (3) (2003) 288–288.