Geri Dön

MRI brain tumor classification using artificial neural network and deep learning

Doku özelliklerini kullanarak yapay sinir ağı ve derinöğrenme ile beyin tümör sınıflandırması

  1. Tez No: 743572
  2. Yazar: NADHEM NEDHAL ABDO QAID
  3. Danışmanlar: PROF. DR. HÜSEYİN METİN ERTUNÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Kocaeli Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 69

Özet

Beyin tümörü, tedavi edilecek birincil aşamasında dikkatli bir şekilde teşhis edilmesi gereken en ciddi hastalıklardan biridir. İstatistiksel analiz, erken tespit edilirse iyileştirilebileceğini de göstermektedir. Manyetik rezonans görüntüleme (MRG) kullanılarak tümör tipinin sınıflandırılması, tümörlerin varyansı ve karmaşıklığı nedeniyle kompleks bir süreçtir. Görüntü işleme ve makine öğrenimi tekniklerindeki ilerlemeyle süreç daha kolaylikla degerlendirilebilir hale gelmiştir. Bu çalışmada, internetten indirilebilen MRI brian tümörü verilerinin sınıflandırılması için iki model uygulanmıştır (BRATS 2015). İlk model, iki ayrı ağ AlexNet ve Görsel Geometri Grubuna (GGG) dayanan derin öğrenmeli bir sinir ağı modelidir. diger: ise, Özellik çıkarma, verilerin on işlenmesi ve siniflandirma modelinin egitimi asamoderinden oluson sinir agi modelidir. Özellik çıkarma aşamasında 22 doku özelliği çıkarılmıştır. Ardından, karıştırma ve normalleştirme yapılmıştır. Son olarak, Levenberg-Marquardt geri yayılım algoritması kullanılarak bir Yapay Sinir Ağı (YSA) eğitilmiştir. Bu çalışma, önerilen modeli geliştirmek ve test etmek için 233 hastanın 3064 görüntüsü kullanılmıştır. Bu veri setinde, eğitim için %80 ve sinir ağı modelinde test prosedürü için %20 bölünmüş üç tür beyin tümörü vardır, çünkü derin öğrenme modelinde tüm verileri bir kerede yüklenmiştir. Önerilen sinir ağı modeli duyarlılık, özgüllük, F-Skoru ve doğruluk gibi farklı performans ölçümleri kullanılarak test edilmiştir. Sinir ağı modelinden elde edilen sonuçlar, eğitim ve test veri kümelerinin doğruluğunun sırasıyla %99 ve %95 olduğunu göstermektedir. Derin öğrenme modelinin sonuçları, AlexNet ve VGG ağlarının sırasıyla %95 ve %97 sınıflandırma doğruluğuna sahip olduğunu göstermektedir.

Özet (Çeviri)

The brain tumor is one of the most severe diseases that should be carefully diagnosed in its primary stage to be treated. Since statistical analysis also shows that it could be cured if detected early. Classifying the type of tumor using Magnetic Resonance Imaging (MRI) is a complex process due to the variance and complexity of tumors. The advancement in image processing and machine learning techniques made the process easier. This study implemented two models to classify MRI brain tumor data downloaded from the internet (BRATS 2015). The first is a deep learning neural network model based on AlexNet and Visual Geometry Group (VGG). And the second is by back-propagation of the neural network model, which consists of three stages: feature extraction, preprocessing the data, and training the classification model. In the feature extraction stage, 22 texture features have been extracted. Then, shuffle and normalization have been done. Finally, an Artificial Neural Network (ANN) has been trained using the Levenberg-Marquardt backpropagation algorithm. The dataset for this study consists of 3064 slices in total. Three pieces are composed of 708 meningioma, 930 pituitary tumors, and 1426 gliomas. Images from 233 patients to train and test the model. This data set has three kinds of brain tumors divided into 80% for training and 20% for the test procedure in the neural network model, on the other hand, all the data were loaded at once in the deep learning model, we load all the data at once. The proposed neural network model was tested using different performance metrics such as sensitivity, specificity, F-Score, and accuracy. The results obtained from the neural network model show that the accuracies of training and testing datasets are 99% and 95%, respectively. And the results of the deep learning model demonstrate that AlexNet and VGG networks have classification accuracies of 95% and 97%, respectively.

Benzer Tezler

  1. Evrişimsel sinir ağı ve görü dönüştürücü mimarileri kullanılarak MR görüntülerinde beyin tümörlerinin otomatik sınıflandırılması

    Automatic classification of brain tumors in MR images using convolutional neural network and vision transformer architectures

    ÖMER MİRAÇ KÖKÇAM

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMED EMRE ÇOLAK

  2. Görüntü işleme teknikleriyle beyin tümörlerinin tespiti ve sınıflandırma algoritmalarıyla analizi

    Detection of brain tumors with image processing techniques and analysis with classification algorithms

    GÖKALP ÇINARER

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BÜLENT GÜRSEL EMİROĞLU

  3. Beyin mr görüntülerini sınıflandırarak yapay sinir ağları kullanarak beyin tümörü tespiti

    Brain tumor detection using neural networks by classifying brain mri images

    AHMED M A ABUSAMRA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUAMMER AKÇAY

  4. Beyin MR görüntülerinin akıllı yöntemler ile sınıflandırılması, kümelenmesi ve bölütlenmesi

    Classification, clustering and segmentation of brain MR images by intelligent methods

    FARUK ALTUNTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. YAŞAR BECERİKLİ