Derin öğrenme ve görüntü benzerliği analizi kullanarak mrı görüntülerden erken beyin tümörü tespiti

Abstract

Erken beyin tümörü tespiti, hastaların sağkalım oranlarının artırılması açısından büyük önem taşımaktadır. Ancak Manyetik Rezonans Görüntüleme (MRG) görüntülerinde hafif anomalilerin belirlenmesi, deneyimli radyologlar için bile zorlu bir süreçtir. Bu araştırmada, gelişmiş görüntü benzerliği analizinden yararlanarak erken teşhisi desteklemek amacıyla derin öğrenme tabanlı bir beyin tümörü tespit yöntemi önerilmiştir. Geleneksel sınıflandırma modelleri çoğunlukla yalnızca kara kutu niteliğinde sınıf etiketleri üretirken, bu çalışmada derin anlamsal özellik gömülmelerini öğrenmek için VGG16 omurgasına sahip Siamese Sinir Ağı mimarisi kullanılmıştır. MRG görüntülerinin 512 boyutlu bir vektör uzayına eşlenmesi sayesinde sistem, ham piksel düzeyindeki karşılaştırmalar yerine yapısal ve dokusal benzerliklere dayalı olarak patolojileri tanımlamaktadır. Önerilen sistem; glioma, menenjiom, hipofiz tümörü ve tümörsüz olmak üzere dört kategoriden oluşan 1.343 test görüntüsü içeren bir veri seti üzerinde değerlendirilmiştir. Deneysel sonuçlar, sistemin genel doğruluk oranının %95,83 olduğunu göstermiştir. Ayrıca sağlıklı beyin görüntülerinde 0,99 kesinlik, 0,97 duyarlılık ve 0,98 F1-skoru elde edilmiştir. Bu bulgular, sistemin sağlıklı beyin görüntülerini anormal beyin görüntülerinden yüksek doğrulukla ayırt edebildiğini göstermektedir. Karşılaştırmalı analiz sonuçları, Siamese tabanlı benzerlik puanlarının (0,83–0,87), Yapısal Benzerlik İndeksi (SSIM) gibi geleneksel ölçütlerden önemli ölçüde yüksek olduğunu ortaya koymuştur. SSIM değerlerinin yalnızca 0,28–0,33 aralığında kalması, klinik ortamlarda derin özellik çıkarımının gerekliliğini göstermektedir. Görsel ve patolojik olarak benzer geçmiş hasta vakalarını geri getirebilmesi sayesinde önerilen sistem, tanı güvenilirliğini artıran ve sağlık profesyonellerinin iş yükünü azaltan yorumlanabilir bir karar destek aracı sunmaktadır.

Early brain tumour detection is crucial for improving patient survival rates. However, identifying faint anomalies in Magnetic Resonance Imaging (MRI) scans remains challenging, even for experienced radiologists. This research proposes a deep learning-based diagnostic system designed to support early diagnosis through advanced image similarity analysis. Unlike traditional classification models that often provide black-box labels, this study employs a Siamese Neural Network architecture with a VGG16 backbone to learn deep semantic feature embeddings. By mapping MRI scans into a 512-dimensional vector space, the system identifies pathologies based on structural and textural similarities rather than raw pixel-level comparisons. The system was evaluated using a dataset consisting of 1,343 test images across four categories: glioma, meningioma, pituitary tumour, and no tumour. The experimental results demonstrated an overall accuracy of 95.83%. In addition, the system achieved a 0.98 F1-score, 0.99 precision, and 0.97 recall for healthy brain scans, indicating its high capability to distinguish healthy brain images from abnormal ones. Comparative analysis revealed that the Siamese-based similarity scores (0.83–0.87) significantly exceeded traditional metrics such as the Structural Similarity Index Measure (SSIM), which averaged only 0.28–0.33. This result highlights the necessity of deep feature extraction in clinical settings. By retrieving visually and pathologically comparable historical patient cases, the proposed system offers an interpreTablo decision support tool that enhances diagnostic confidence and reduces the workload of medical professionals.