Beyin tümörlerinin derin öğrenme, transfer öğrenme ve topluluk öğrenme ile sınıflandırılması

Abstract

Beyin tümörlerinde tedavi başarısını artırmak için erken teşhis ve doğru sınıflandırma hayati önem taşımaktadır. Gelişen tıbbi görüntüleme teknikleri ve artan veri miktarıyla birlikte, bu verilerin değerlendirilmesinde bilgisayar destekli tanı sistemlerinin önemi giderek artmaktadır. Bu tez kapsamında, Figshare veri tabanından elde edilen açık kaynaklı manyetik rezonans (MR) görüntüleri kullanılarak, beyin tümörlerinin sınıflandırılmasına yönelik derin öğrenme tabanlı bir çalışma gerçekleştirilmiştir. Sınıflandırma süreci, gliom, meningiom ve hipofiz tümörü olmak üzere üç farklı tümör türünü kapsamaktadır. Çalışmada, sıfırdan model eğitimi yerine transfer öğrenme yöntemi tercih edilerek önceden eğitilmiş derin öğrenme modelleri kullanılmıştır. Bu doğrultuda, Inception, Xception, VGG, ResNet, DenseNet ve ConvNeXtBase gibi evrişimli sinir ağı (CNN) tabanlı modern mimariler uygulanarak sınıflandırma modelleri oluşturulmuş; bu modellerin performansları karşılaştırılmıştır. Ayrıca, farklı modellerin çıktılarını birleştirerek daha yüksek sınıflandırma doğruluğu elde etmek amacıyla topluluk öğrenme yöntemlerinden de yararlanılmıştır. Model geliştirme süreci TensorFlow kütüphanesi kullanılarak yürütülmüştür. Geliştirilen modellerin performansı doğruluk, kesinlik, özgüllük, duyarlılık, F-skoru ve Matthews Korelasyon Katsayısı (MCC) gibi metrikler ile değerlendirilmiş ve elde edilen sonuçlar literatürdeki benzer çalışmalarla karşılaştırılmıştır. VGG16 ve VGG19 modellerinin topluluk öğrenme ile gerçekleştirdiği sınıflandırmada, %99,02 doğruluk ve 0,985 MCC ile en yüksek performans elde edilmiştir.

Early diagnosis and accurate classification play a vital role in improving treatment outcomes for brain tumors. With the advancement of medical imaging techniques and the increasing volume of data, the importance of computer-aided diagnosis systems for analyzing these data has been growing steadily. Within the scope of this thesis, a deep learning-based study was conducted to classify brain tumors using publicly available magnetic resonance (MR) imaging data obtained from the Figshare database. The classification process includes three different tumor types: glioma, meningioma, and pituitary tumor. Instead of training models from scratch, transfer learning was preferred by utilizing pre-trained deep learning models. Accordingly, convolutional neural network (CNN)-based modern architectures such as Inception, Xception, VGG, ResNet, DenseNet, and ConvNeXtBase were implemented to develop classification models, and their performances were compared. Furthermore, ensemble learning methods were employed to combine the outputs of different models in order to achieve higher classification accuracy. The model development process was carried out using the TensorFlow library. The performance of the developed models was evaluated with metrics including accuracy, precision, specificity, recall, F-score, and Matthews Correlation Coefficient (MCC), and the obtained results were compared with similar studies in the literature. The ensemble classification performed by the VGG16 and VGG19 models achieved the highest performance with an accuracy of 99.02% and an MCC of 0.985.