MR GÖRÜNTÜLERİ İLE BEYİN TÜMÖRÜNÜN YENİ BİR DERİN ÖĞRENME TABANLI YAKLAŞIMLA SINIFLANDIRILMASI

Abstract

Beyin tümörlerinin doğru ve hızlı teşhisi, hastaların yaşam kalitesini artırmak ve tedavi süreçlerini iyileştirmek için kritik bir öneme sahiptir. Ancak, MR görüntülerinin doktorlar tarafından manuel olarak incelenmesi, zaman alıcı ve hata payını artıran bir süreçtir. Bu çalışma, yapay zeka tabanlı bir derin öğrenme modeli geliştirerek beyin tümörlerini otomatik olarak sınıflandırmayı amaçlamaktadır.Çalışma kapsamında, açık erişimli platformlardan temin edilen MR görüntülerinden oluşan bir veri seti kullanılmış ve bu veri seti ön işleme teknikleriyle optimize edilmiştir. Bu veri seti, önerilen modelin eğitim, doğrulama ve test gruplarına ayrılarak çalışmaya entegre edilmiştir. Model, evrişimsel sinir ağı (CNN) yapısını temel almakta ve öznitelik seçimi için L1-Norm Destek Vektör Makineleri (DVM) ReliefF algoritmasını kullanmaktadır. Bu sayede hem hesaplama maliyetleri azaltılmış hem de sınıflandırma doğruluğu artırılmıştır.Model performansı, doğruluk, hassasiyet, özgüllük, F1 skoru ve ROC eğrisi gibi çeşitli ölçütlerle değerlendirilmiştir. Özellikle glioblastoma multiforme tümörünün sınıflandırılmasında %95 doğruluk oranına ulaşan bu model, mevcut yaklaşımlara kıyasla anlamlı bir gelişme sağlamıştır. Elde edilen sonuçlar, geliştirilen modelin sağlık sektöründe otomatik karar destek sistemleri üretmek için önemli bir katkı sunduğunu göstermektedir.

Accurate and rapid diagnosis of brain tumors is of critical importance to increase the quality of life of patients and improve treatment processes. However, manual examination of MRI images by doctors is a time-consuming and error-prone process. This study aims to automatically classify brain tumors by developing an artificial intelligence-based deep learning model. Within the scope of the study, a dataset consisting of MRI images obtained from open access platforms was used and this dataset was optimized with preprocessing techniques. This dataset was integrated into the study by dividing the proposed model into training, validation and test groups. The model is based on the convolutional neural network (CNN) structure and uses the L1-Norm Support Vector Machines (SVM) ReliefF algorithm for feature selection. In this way, both computational costs are reduced and classification accuracy is increased. Model performance was evaluated with various metrics such as accuracy, sensitivity, specificity, F1 score and ROC curve. This model, which reached 95% accuracy rate especially in the classification of glioblastoma multiforme tumor, provided a significant improvement compared to existing approaches. The results obtained show that the developed model makes a significant contribution to producing automatic decision support systems in the healthcare sector.