Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti

Ali Arı; Davut Hanbay

doi:10.17341/gazimmfd.460535

Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti

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.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Ali Arı Bu kişi benim

Davut Hanbay

Yayımlanma Tarihi

29 Mayıs 2019

Gönderilme Tarihi

20 Şubat 2018

Kabul Tarihi

-

Yayımlandığı Sayı

Yıl 2019 Cilt: 34 Sayı: 3

DOI

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

IZ

https://izlik.org/JA76AS65NY

Kaynak Göster

RIS / Bibtex

APA

Arı, A., & Hanbay, D. (2019). Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 34(3), 1395-1408. https://doi.org/10.17341/gazimmfd.460535

AMA

1.Arı A, Hanbay D. Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. GUMMFD. 2019;34(3):1395-1408. doi:10.17341/gazimmfd.460535

Chicago

Arı, Ali, ve Davut Hanbay. 2019. “Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34 (3): 1395-1408. https://doi.org/10.17341/gazimmfd.460535.

EndNote

Arı A, Hanbay D (01 Mayıs 2019) Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34 3 1395–1408.

IEEE

[1]A. Arı ve D. Hanbay, “Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti”, GUMMFD, c. 34, sy 3, ss. 1395–1408, May. 2019, doi: 10.17341/gazimmfd.460535.

ISNAD

Arı, Ali - Hanbay, Davut. “Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34/3 (01 Mayıs 2019): 1395-1408. https://doi.org/10.17341/gazimmfd.460535.

JAMA

1.Arı A, Hanbay D. Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. GUMMFD. 2019;34:1395–1408.

MLA

Arı, Ali, ve Davut Hanbay. “Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 34, sy 3, Mayıs 2019, ss. 1395-08, doi:10.17341/gazimmfd.460535.

Vancouver

1.Ali Arı, Davut Hanbay. Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. GUMMFD. 01 Mayıs 2019;34(3):1395-408. doi:10.17341/gazimmfd.460535

Detection of Myocardial Infarction from Electrocardiography Signals with Multiscale Principal Component Analysis and Convolutional Neural Networks

European Journal of Science and Technology

https://doi.org/10.31590/ejosat.1146011

Hyperspectral image classification method based on squeeze-and-excitation networks, depthwise separable convolution and multibranch feature fusion

Earth Science Informatics

https://doi.org/10.1007/s12145-023-00982-0

Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti

Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Derin Öğrenme Tabanlı Otomatik Plaka Tanıma

Daha hızlı bölgesel evrişimsel sinir ağları ile köpek davranışlarının tanınması ve takibi

Bölgesel-Evrişimsel Sinir Ağları ile Retina Görüntülerindeki Lezyonların Tespiti

ERUSLR: yeni bir Türkçe işaret dili veri seti ve hiperparametre optimizasyonu destekli evrişimli sinir ağı ile tanınması

Classification of organic and conventional olives using convolutional neural networks

Derin Öğrenme Yöntemleri ile Arıların Sağlık Durumunun Tespit Edilmesi

Detection of Myocardial Infarction from Electrocardiography Signals with Multiscale Principal Component Analysis and Convolutional Neural Networks

Hyperspectral image classification method based on squeeze-and-excitation networks, depthwise separable convolution and multibranch feature fusion

Daha Hızlı Bölgesel-Evrişimsel Sinir Ağları ile Sığır Yüzlerinin Tanınması

Transfer‐learning‐based classification of pathological brain magnetic resonance images

3BResNet: A Novel Residual Block-Based ResNet Model Approach for COVID19 Detection

Comparison of deep learning methods in brain tumor diagnosis: High-performance classification with MRI data

Brain Tumor Detection and Classification with Deep Learning Based CNN Method