Beyin Manyetik Rezonans Görüntülerindeki Tümörlü Dilimlerin Özellik Mühendisliği ile Optimize Edilen Transfer Öğrenmesiyle Tespiti

Öz

Bilgisayar destekli tanı (BDT), uzmanlara klinik süreçteki anormalliklerin tespitinde destek olmaktadır. Tümör, kontrolsüz hücre bölünmesi ile büyüyen bir yapı olarak, anormal bir durumdur. Tıbbı görüntü elde etmek için birçok yöntem vardır. Bunlardan başlıca olanları; Bilgisayarlı tomografi, pozitron emisyonlu tomografi, tek foton emisyonlu bilgisayarlı tomografi, manyetik rezonans görüntüleme (MRG)’dir. BDT alanında en çok çalışma yapılan alanların başında MRG gelmektedir. MRG dilimler halinde elde edildiğinden uzmanların bu görüntüleri incelemesi zaman alıcı olmaktadır. Derin öğrenme modellerinden olan transfer öğrenmesi, görüntüdeki özelliklerin doğrudan elde edilmesini sağlamaktadır. Bu motivasyonla, çalışmada özellik mühendisliği ile transfer öğrenmesi algoritmalarından olan Resnet50 ve Alexnet, Relieff ve Komşuluk Temel Bileşen Analizi algoritmaları ile optimize edilmiştir. Çalışmada veri seti olarak Rembrandt veri seti kullanılmıştır. Bu veri setinde 130 hastaya ait 610 adet axial bölge MRG kullanılarak altı farklı transfer öğrenmesi modeli üzerinde en başarılı modeli belirlemek amacı ile performans analizi yapılmıştır. 610 adet görüntünün %60’ı (366 adet MR görüntüsü) eğitim için kullanılmıştır. Geri kalan %20’si ise doğrulama ve kalan %20’si ise test için kullanılmıştır. Yapılan deneylerde Alexnet ve SVM kullanıldığında 0,28 saniyede MRG dilimi analiz edilmiştir. Başarı ise %95,9 olarak hesaplanmıştır. Alexnet, komşuluk temel bileşen analizi ve SVM birlikte kullanıldığında tümörlü dilim 0,36 saniyede belirlenmiştir. Başarı %95 olarak hesaplanmıştır. Resnet50 ağı ile SVM kullanıldığında tümörlü dilim 0,30 saniyede belirlenmiştir. Başarı ise %93 olarak bulunmuştur. Resnet50, Relieff ve SVM kullandığında süre 0,318 saniyeye çıkmıştır. Başarı ise %96’ya yükselmiştir. Resnet50 komşuluk temel bileşen analizi ve SVM kullanıldığında 0,31 saniyede tümörlü dilim tespit edilmiştir. Başarı ise %96 olarak bulunmuştur. En optimize sonuç ise Alexnet Relieff ve SVM’nin birlikte kullanılmasıyla elde edilmiştir. Bu yöntemlerin birlikte kullanılmasıyla analiz süresi 0.27 saniye ve başarı %98,4 olarak hesaplanmıştır. Alexnet (SVM) modeline Relieff özellik seçme algoritması uygulanarak başarı oranı %4 oranda artarak %98,4’e yükselmiş; sistemin test edilmesi için geçen süre ise 0.01 saniye azalarak 0,27 saniyeye gerilemiştir. Önerilen yöntemin beyin tümörünü sınıflandırma konusunda etkili olduğu için, geliştirilecek bilgisayar destekli tespit sistemlerinde uzmana destek mahiyetinde kullanılabileceği ön görülmektedir.

Anahtar Kelimeler

• Transfer Öğrenmesi
• Özellik Mühendisliği
• Beyin Manyetik Rezonans Görüntüleme

Kaynakça

1. 1. Clark K, Vendt B, Smith K, Freymann J, Kirby J, Koppel P, Moore S, Phillips S, Maffitt D, Pringle M, Tarbox L, Prior F. “The Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository”, Journal of Digital Imaging, Volume 26 (2013), s. 1045-1057.
2. 2. Pereira S, Pinto A, Alves V, Silva CA. “Brain tumor segmentation using convolutional neural networks in MRI images”. IEEE T Med Imaging, 35 (2016), s. 1240-1251.
3. 3. Dandıl E, Çakıroğlu M, Ekşi Z. “Computer-aided diagnosis of malign and benign brain tumors on MR images” ICT Innovations, Skopje, Macedonia, 18-23 September, 2017.
4. 4. Sompong C, Wongthanavasu S. “Brain tumor segmentation using cellular automata-based fuzzy c-means” 13th International Joint Conference on Computer Science and Software Engineering (JCSSE), Khon Kaen, Thailand, 13-15 July 2016.
5. 5. Nazir M, Wahid F, Ali Khan S. “A simple and intelligent approach for brain MRI classification”, Journal of Intelligent & Fuzzy Systems, 28(3), 1127-1135, 2015.
6. 6. Sajjad M, Khan S, Muhammad K, Wu W, Ullah A, Baik, S. W. “Multi-grade brain tumor classification using deep CNN with extensive data augmentation” Journal of computational science, 30, 174-182, 2019.
7. 7. Kanmani P, Marikkannu P. “MRI Brain Images Classification: a multi-level threshold based region optimization technique”, Journal of medical systems, 42(4), 62, 2018.
8. 8. Praveen GB, Agrawal A. “Multi stage classification and segmentation of brain tumor” 3rd International Conference on Computing for Sustainable Global Development (INDIACom), New Delhi, India, 16-18 March 2016.

9. 9. Ibrahim, W. H., Osman, A., and Mohamed Y. I., 2013."MRI Brain Image Classification Using Neural Networks" IEEE International Conference on Computing, Electrical and Electronics Engineering, ICCEEE.
10. 10. Kumar S, Sharma A, Tsunoda T. “Brain wave classification using long short-term memory network based OPTICAL predictor”, Scientific reports, 9(1), 1-13, 2019.
11. 11. Yalçin, H., Razavi, S., “Plant Classification using Convolutional Neural Network” Fifth International Conference on Agro-Geoinformatics (Agro-Geoinformatics), 1-5, 2016.
12. 12. A. Krizhevsky and G.E. Hinton, “Using Very Deep Autoencoders for Content Based Image Retrivel” European Symposium on Artificial Neural Networks, s.489-494, 2011.
13. 13. He KM, XY Zhang, SQ Ren, J Sun, "Deep Residual Learning for Image Recognition”. IEEE Conference on Computer Vision and Pattern Recognition, s.770-778, 2016.
14. 14. Kira, Kenji ve Rendell, Larry, “Özellik Seçimi Problemi: Geleneksel Yöntemler ve Yeni Bir Algoritma” AAAI, 1992.Kononenko, Igor, “Özniteliklerin tahmin edilmesi: RELIEF'in analizi ve uzantıları. Makine Öğrenimi” ECML Bilgisayar Bilimlerinde Ders Notları, 784. Bahar, Berlin, Heidelberg. s.171–182, 1994.