Araştırma Makalesi
BibTex RIS Kaynak Göster

Beyin Tümörü Tanıları İçin YOLOv7 Algoritması Tabanlı Karar Destek Sistemi Tasarımı

Yıl 2023, , 47 - 56, 31.07.2023
https://doi.org/10.53410/koufbd.1236305

Öz

Sağlık alanında derin öğrenme algoritmalarının karar destek sistemleriyle bağdaştırılması her geçen gün daha tutarlı teshişler ve etkin tedavilerin önünü açmaktadır. Sağlık çalışanları, daha fazla veri, belge ve deneyim içeren karar verme modelleri ile etkileşime geçerek hızlı ve doğru kararlar alabilmektedir. Derin öğrenme modellerindeki gelişmelerle birlikte, imge ve video görüntülerinden doğru ve hızlı bir şekilde nesne tespiti için evrişimsel sinir ağları gibi mimariler yaygın olarak kullanılmaya başlanmıştır. Evrişimsel sinir ağları üzerine inşa edilen nesne tespit modellerinde, eğitim aşamasından geçtikten sonra test aşamasında önce nesnenin tahmini yapılır ve belirlenen nesne çerçeve içine alınarak tespit aşaması tamamlanır. Bu çalışmada, YOLO algoritması kullanılarak beyin tümörlerinin ve konumlarının MR görüntüleri üzerinde tespiti hedeflenmiştir.
YOLOv7 ve YOLOv7-tiny algoritmaları üzerinde 3203 eğitim görüntüsü kullanılarak model eğitimleri tamamlanmıştır. Bunu, çok sayıda klinik deneyimin karar destek sistemine aktarılması olarak yorumlamak yanlış olmayacaktır. Model eğitim çıktılarının başarımı kesinlik, hatırlama ve F1 puanı gibi ölçütler açısından değerlendirilmiştir. Eğitim görüntüleri haricinde test ve doğrulama görüntüleri de oluşturulmuştur. Görüntüler “makesense.ai” kullanılarak etiketlenmiştir ve Google Colab üzerinden eğitimleri gerçekleştirilmiştir. Tespitlerde %97’lere varan doğruluklar elde edilmiştir. YOLO algoritmasının karar destek sistemlerinin doğruluğunu arttırması farklı sağlık kurumlarındaki tanılar arasında tutarlılığı sağlayacak, kişisel kaynaklı tespit hatalarını en aza indirgeyecek ve izlenecek tedavi prosedürlerini olumlu yönde etkileyecektir.

Kaynakça

  • [1] Oğuz N., İlnem C., Yener F., 2005. Beyin Tümörlerin Neden Olduğu Psikiyatrik Tablolar: İki Olgu Sunumu. Klinik Psikofarmakoloji Bulteni, 15(1), 18-21.
  • [2] Tang R., Zhu Z., Yao H., Li Y., Sun X., Hu H., Xie G., Li Y. 2022. Integrating Medical Code Descriptions and Building Text Classification Models for Diagnostic Decision Support, 2022 IEEE 10th International Conference on Healthcare Informatics (ICHI), pp.612-613, Rochester, MN, USA.
  • [3] Lee K.B., Shin H.S., 2019. An Application of a Deep Learning Algorithm for Automatic Detection of Unexpected Accidents Under Bad CCTV Monitoring Conditions in Tunnels, 2019 International Conference on Deep Learning and Machine Learning in Emerging Applications (Deep-ML), pp.7-11, Istanbul, Turkey
  • [4] Şeker A., Diri B., Balık H.H., 2017. Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme. Gazi Mühendislik Bilimleri Dergisi, 3(3), 47-64.
  • [5] Yu X., Kuan T.W., Zhang Y., Yan T., 2022. YOLO v5 for SDSB Distant Tiny Object Detection, 10th International Conference on Orange Technology (ICOT), Shanghai, China.
  • [6] Samkeliso Suku Dube S.S.; Bhuru A., 2022. Snake Identification System Using Convolutional Neural Networks, 1st Zimbabwe Conference of Information and Communication Technologies (ZCICT), 09-10 November, Harare, Zimbabwe.
  • [7] Ali I., Khan A.,Waleed M., 2020. A Google Colab Based Online Platform for Rapid Estimation of Real Blur in Single-Image Blind Deblurring, 12th International Conference on Electronics, Computers and Artificial Intelligence (ECAI), 25-27 June, Bucharest, Romania.
  • [8] Özgür S.B., 2021. Algoritmalar, Yapay Zeka, Makine Öğrenmesi, Derin Öğrenme ve Uygulamaları: Beşeri Fayda Üretiminin Yazılımlar Tarafından Karşılanması. Ekonomi ve Yönetim Araştırmaları Dergisi, 10(1), 1-29.
  • [9] Grewal D.S., 2014. A critical conceptual analysis of definitions of artificial intelligence as applicable to computer engineering, IOSR Journal of Computer Engineering, 16(2), 9-13.
  • [10] Bonaccorso G., 2017. Machine learning algorithms, Birmingham, UK: Pacht Publishing. pp.10-17.
  • [11] Hao X., Zhang G., Ma S., 2016. Deep learning. International Journal of Semantic Computing, 10(3), 417-439.
  • [12] Yilmaz S., Dincer H., Eksin I., Kalenderli O., 2007. Heat control in HVDC resistive divider by PID and NN controllers. Energy Conversion and Management, 48(10), 2739-2748.
  • [13] Yılmaz S. Dinçer H., 2004. Development of a Neural Training Program which is Used for Improvement in the Measurement of DC HV Resistive Dividers. NEU-CEE 2004, 2nd International Symposium on Electrical, Electronics and Computer Engineering , (Lefkoşa, Cyprus (Kktc)), 132-137.
  • [14] Yılmaz S., Kılcı S. B., 2020. Design of Training and Development Tool for Feedforward Artificial Neural Networks. Kocaeli Üniversitesi Fen Bilimleri Dergisi, 3(1), 133-146.
  • [15] Yilmaz S., Ekinci Ö., Şentürk E., Yuce A. M., 2022. Recurrent Neural Networks For Peak Flow Estimation., Environmental Engineering and Management Journal, 21(6), 927-937.
  • [16] Kell D.B., Samanta S.; Swainston N., 2020. Deep learning and generative methods in cheminformatics and chemical biology: navigating small molecule space intelligently. Biochemical Journal, 477(23), 4559-4580.
  • [17] Özkan İ. N. İ. K., Ülker E., 2017. Derin öğrenme ve görüntü analizinde kullanılan derin öğrenme modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 85-104.
  • [18] Gülcü A., Zeki K. U. Ş., 2019. Konvolüsyonel sinir ağlarında hiper-parametre optimizasyonu yöntemlerinin incelenmesi. Gazi University Journal of Science Part C: Design and Technology, 7(2), 503-522.
  • [19] Gandhi R., “R-CNN, Fast R-CNN, Faster R-CNN, YOLO — Object Detection Algorithms”, Towards Data Science, https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e (Erişim tarihi: 1 Ocak 2023).
  • [20] Girshick R., 2015. Fast r-cnn, In: Proceedings of the2015 IEEE international conference on computer vision., 1440-1448, 7-13 Dec., Santiago, Chile
  • [21] Li F., Johnson J., Yeung S., “Detection and Segmentation”, http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture11.pdf, (Erişim tarihi: 1 Ocak 2023).
  • [22] Jiang A., Yan N., Wang F., Huang H., Zhu H., Wei B., 2019. Visible Image Recognition of Power Transformer Equipment Based on Mask R-CNN, 2019 IEEE Sustainable Power and Energy Conference (iSPEC), 21-23 November , Beijing-China, 657-661.
  • [23] Altay A., Yılmaz S., 2023. Classification of T Cells Using YOLO Algorithm. İleri Mühendislik Çalışmaları ve Teknolojileri Dergisi, 3(2), 66-81.
  • [24] Wu T.H., Wang T.-W., Liu Y.-Q., Ya-Qi Liu, 2021. 3rd World Symposium on Artificial Intelligence (WSAI), 18-20 June, Guangzhou, China, 24-28.
  • [25] Wang C.-Y.; Bochkovskiy A.; Liao H.-Y.M., 2022. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv preprint arXiv:2207.02696
  • [26] Hu B., Zhu M., Chen L., Huang L., Chen P., He M., 2022. Tree species identification method based on improved YOLOv7, IEEE 8th International Conference on Cloud Computing and Intelligent Systems (CCIS), 26-28 November, Chengdu, China, 622-627.
  • [27] Wulandari A., Sigit R., Bachtiar M.M., 2018. Brain Tumor Segmentation to Calculate Percentage Tumor Using MRI, International Electronics Symposium on Knowledge Creation and Intelligent Computing (IES-KCIC), 29-30 October, Bali, Indonesia, 292-296.
  • [28] Jagan A., 2018. A New Approach for Segmentation and Detection of Brain Tumor in 3D Brain MR Imaging, Second International Conference on Electronics, Communication and Aerospace Technology (ICECA), 30 September, Coimbatore, India, 1230-1234.
  • [29] https://www.kaggle.com/datasets/navoneel/brain-mri-images-for-brain-tumor-detection
  • [30] https://www.kaggle.com/datasets/sartajbhuvaji/brain-tumor-classification-mri
  • [31] https://github.com/MohamedAliHabib/Brain-Tumor-Detection
  • [32] https://figshare.com/articles/dataset/brain_tumor_ dataset/1512427
  • [33] https://www.kaggle.com/datasets/masoudnickparv ar/brain-tumor-mri-dataset
  • [34] Bhande A., 2023. “What is underfitting and overfitting in machine learning and how to deal with it”, Medium, https://medium.com/greyatom/what-is-underfitting-and-overfitting-in-machine-learning-and-how-to-deal-with-it-6803a989c76 (Erişim tarihi: 2 Ocak 2023).
  • [35] Şen M.B., 2022. YOLO Algoritması Kullanarak Beyin Tümörü Tespiti, KOÜ, Mühendislik Fakültesi, Elektronik ve Haberleşme Bölümü Lisans Bitirme Tezi.
Toplam 35 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Elektrik Mühendisliği
Bölüm Makaleler
Yazarlar

Serhat Yılmaz 0000-0001-9765-7225

Yayımlanma Tarihi 31 Temmuz 2023
Kabul Tarihi 8 Haziran 2023
Yayımlandığı Sayı Yıl 2023

Kaynak Göster

APA Yılmaz, S. (2023). Beyin Tümörü Tanıları İçin YOLOv7 Algoritması Tabanlı Karar Destek Sistemi Tasarımı. Kocaeli Üniversitesi Fen Bilimleri Dergisi, 6(1), 47-56. https://doi.org/10.53410/koufbd.1236305