Özellik optimizasyomu yapılan beyin manyetik rezonans görüntülerindeki tümörlü dilimlerin transfer öğrenmesi ile tespiti

Abstract

Bilgisayar destekli tanı (BDT), uzmanlara klinik süreçteki anormalliklerin tespitinde destek olmaktadır. BDT alanlarından birisi de beyin tümörlerinin manyetik rezonans görüntüleri (MRG) kullanılarak tespitidir. MRG, uzmana tanı koymada ve tedaviyi yönlendirmede yardımcı olmaktadır. MRG, X-ışınları kullanılarak vücudun istenilen bölgesinin detaylı bir şekilde taranıp, dilimli görüntüler oluşturulması ile elde edilir. Çekim esnasında MR cihazı; vücut içindeki kemik, yumuşak doku, organ ve damarların görüntülerini farklı açılardan tarayarak kesitler hâlinde görüntülenmesini sağlamaktadır. MRG'nin dilimler halinde elde çekilmesinden dolayı, uzmanların bu görüntüleri incelemesi zaman alıcı olmaktadır. Otomatik olarak tümörlü dilimleri tespit edecek bir BDT sistemi ile bu durum teleafi edilebilir. Bu çalışmada, özellik çıkarımına gerek kalmadan, görüntünün özelliklerinin otomatik olarak elde edilmesi amacıyla, transfer öğrenmesi algoritmalarını kullanmaya motive olduk. Transfer öğrenme yöntemlerinden Alexnet ve Resnet50 derin öğrenme modelleri, kullanımı basit olması ve hızlıca geliştirilen yönteme adapte edilmesi sebebiyle tercih edilmiştir. Fakat bu modeller, özellik çıkarmada oldukça yüksek miktarda özellik elde edilmesine sebep olmaktadır. Bu özelliklerin problem uzayında etkin sınıflandırma başarısını arttırmak ve algoritmanın daha hızlı çalışmasını sağlamak amacıyla; Alexnet ve Resnet50 transfer öğrenme algoritmaları, Relieff ve Konşuluk Bileşen Analizi (NCA) özellik seçme algoritmaları ile yenilikçi olarak optimize edilmiştir. Optimize edilen özellik vektörü ile oluşturulan veri seti SVM sınıflandırma algoritmasına uygulanarak tümörlü MRG dilimleri sınıflandırılmıştır. Bu tez çalışmasında, önerilen yöntemin başarısı ve efektifliğini göstermek için deney aşamasında üç farklı üç farklı veri seti kullanılmıştır. Bunlar Rembrandt, Rıder Neuro MR ve Brain Tumor Progression veri setleridir. Bu veri setleri literatürde çokca kullanılan ve çalışmaların başarımını göstermede kullanıldığı için tercih edilmiştir. Veri setlerinde toplamda 1830 adet aksiyal bölge sağlıklı ve tümörlü beyin MR görüntüsü bulunmaktadır. Deneylerde Relieff ve NCA özellik seçim algoritmaları kullanılarak optimize edilen Alexnet ve Resnet50 transfer öğrenmesi algoritmalarının SVM sınıflandırıcısı ile sınıflandırma işlemleri sonucunda ortaya çıkan eğitim, doğrulama, test süreleri ve MRG dilimlerindeki tümörlü bölgenin olup olmaması durumları karşılaştırılmıştır. Yapılan deneylerde optimize edilen algoritma hem daha hızlı çalışmış (0,28 saniye) hem de daha başarılı sınıflandırma başarısı (%98,4) elde etmede etkin çalışmıştır.Elde edilen deneysel sonuçlar, bu tez çalışmasında önerilen modelin efektif çalışması ve yüksek doğruluk oranı, uzmanın tümör içeren MRG dilimlerini tespit etmesine katkı sağlayabilecek düzeydedir. Bu sayede hızlı teşhis ve tedavi planında uzmanın zaman kaybının önüne geçilerek, gözden kaçabilecek verilerin önüne geçilmiş olunabilecektir.Anahtar Kelimeler : Beyin manyetik rezonans görüntüleri, Özellik mühendisliği (Relieff, NCA), SVM sınıflandırıcı, Transfer öğrenmesi (Alexnet, Resnet).

Computer-aided diagnosis (CBT) supports experts in detecting abnormalities in the clinical process. One of the areas of CBT is the detection of brain tumors using magnetic resonance images (MRI). MRI helps the specialist to diagnose and guide treatment.MRI is obtained by scanning the desired area of the body in detail using X-rays and creating sliced images. MR device during shooting; It enables images of bones, soft tissues, organs and vessels in the body to be viewed in cross-sections by scanning from different angles. Since MRI is taken in slices by hand, it is time-consuming for experts to examine these images. This can be compensated by a CBT system that will automatically detect tumor slices.In this study, we were motivated to use transfer learning algorithms in order to automatically obtain the properties of the image without the need for feature extraction. Alexnet and Resnet50 deep learning models, which are among the transfer learning methods, were preferred because they are simple to use and adapted to the rapidly developed method. However, these models cause a very high amount of features in feature extraction. In order to increase the success of the effective classification of these features in the problem space and to make the algorithm run faster; Alexnet and Resnet50 transfer learning algorithms have been innovatively optimized with Relieff and Presence Component Analysis (NCA) feature selection algorithms. The data set created with the optimized feature vector was applied to the SVM classification algorithm and tumor MRI slices were classified.In this thesis study, three different three different data sets were used in the experimental stage to show the success and effectiveness of the proposed method. These are Rembrandt, Rıder Neuro MR and Brain Tumor Progression datasets. These data sets are preferred because they are widely used in the literature and used to show the performance of the studies. In the datasets, there are 1830 axial healthy and tumor brain MRI images in total. In the experiments, the training, verification, test times and the presence or absence of tumor regions in the MRI slices were compared as a result of the SVM classification process of Alexnet and Resnet50 transfer learning algorithms optimized using Relieff and NCA feature selection algorithms. The optimized algorithm in the experiments performed both worked faster (0.28 seconds) and worked effectively to achieve a more successful classification success (98.4%).The experimental results obtained, the effective operation of the model proposed in this thesis, and its high accuracy rate are at a level that can contribute to the expert's detection of MRI slices containing tumors. In this way, the loss of time of the specialist in rapid diagnosis and treatment plan will be prevented and data that may be overlooked will be prevented.Keywords : Brain Magnetic Resonance Images, Feature Engineering (Relieff, NCA), SVM Classifier, Transfer Learning (Alexnet, Resnet50).