Derin öğrenme modelleri kullanılarak beyin ve beyne etki eden bazı tümörlerin sınıflandırılması

Abstract

Bu çalışmada, MRI (Magnetic Resonance Imaging) görüntüleri kullanılarak beyin tümörü hastalığının erken teşhisini belirlemek için güncel (state of art) derin öğrenme modellerinin karşılaştırmalı analizinin sunulması amaçlanmıştır. Bu amaçla Googlenet, Mobilenetv2, InceptionV3 ve Efficientnet-b0 derin öğrenme modelleri Matlab platformunda kodlanmış ve beyin tümörü hastalığının tespiti ve sınıflandırılması için kullanılmıştır. Sınıflandırma işlemi, yaygın olarak görülen Glioma, Meningioma ve Pituitary (Hipofiz) beyin tümörü tipleri üzerinde yürütülmüştür. Kullanılan veri seti kaggle platformunda topluma açık bir şekilde paylaşılan ve 4 ayrı sınıfta toplamda 7022 beyin MRI görüntüsü içermektedir. Çalışmada verilerin %78'i eğitim veri seti, %22 si ise test verisi olarak kullanılmıştır. Veri seti önişleme (kırpma, gri tonlama vb.) tabi tutularak, ayrıca modeller fine tuning yapılarak uygun parametre değerleri kullanılmıştır. Karşılaştırmasını yaptığımız derin öğrenme modellerinin istatistiksel analiz sonuçları değerlendirildiğinde test verileri en iyi doğruluk oranı başarı sırasına göre Efficientnet-b0 (%99,54), InceptionV3 (%99,47), Mobilenetv2 (%98,93) ve GoogleNet (%98,25) sonuçları elde edilmiştir. Çalışma sonuçlarının tıp hekimlerine ve ilgili alandaki araştırmacılara karar verme süreçlerinde öneri sunmasının faydalı olabileceği öngörülmektedir. Özellikle hastalığın erken teşhisi, teşhis süresinin kısalması ve ayrıca insan kaynaklı hataları en aza indirmesi bakımından bazı avantajlar sunmaktadır.

This study aims to present a comparative analysis of existing (state-of-the-art) deep learning models to identify early detection of brain tumor disease using MRI (Magnetic Resonance Imaging) images. For this purpose, GoogleNet, Mobilenetv2, InceptionV3, and Efficientnet-b0 deep learning models were coded on the Matlab platform and used to detect and classify brain tumor disease. Classification has been carried out on the common Glioma, Meningioma, and Pituitary brain tumors. The dataset used includes a total of 7022 brain MRI images in 4 different classes, which are shared publicly on the kaggle platform. In the study, 78% of the data was used as training dataset and 22% as test data. The dataset was subjected to preprocessing (cropping, grayscale, etc.), and the models were fine-tuned, and appropriate parameter values were used. When the statistical analysis results of the deep learning models we compared were evaluated, the results of Efficientnet-b0 (%99,54), InceptionV3 (%99,47), Mobilenetv2 (%98,93), and GoogleNet (%98,25) were obtained, in the order of success. It is predicted that the study results may be useful to offer suggestions to medical doctors and researchers in the relevant field in their decision-making processes. In particular, it offers some advantages in terms of early diagnosis of the disease, shortening the diagnosis time, and minimizing human-induced errors.