DERİN ÖĞRENME YÖNTEMLERİNİ KULLANARAK MR GÖRÜNTÜLERİNDEN OTOMATİK TÜMÖR TESPİTİ

Abstract

Beyin tümörü insan sağlığını ciddi anlamda tehdit eden ve çoğu zaman riskli ameliyatlarla tedavi edilebilen bir hastalıktır. Uzmanlar, yüksek çözünürlüklü Manyetik Rezonans (MR) görüntüleriyle beyin tümörünü tespit edebilmektedir. Ancak günümüzde, bir çok araştırmacı derin öğrenme yöntemlerini kullanarak MR görüntülerinden beyin tümör tespitini yapmaktadır. Yapılan çalışmalarda MR veya Bilgisayarlı Tomografi (BT) görüntülerinden beyin tümör tespiti ile ilgili oldukça başarılı sonuçlar elde edilmiştir. Ancak hala bu alanda geliştirilmesi gereken birçok nokta bulunmaktadır. Özellikle tümörlerin yeri, boyutu konusunda başarı oranının istenilen seviyede olmadığı bilinmektedir. Bu tez çalışmasında beyin MR görüntülerinden derin öğrenme yöntemleri kullanarak otomatik tümör tespiti için daha önce önerilmemiş beyin tümörü tespitini daha yüksek bir başarı oranı ile tespit eden yeni bir yaklaşım geliştirilmiştir. Bu tez çalışmasında beyin tümör tespiti iki aşamalı bir süreç olarak gerçekleştirilmiştir. İlk aşamada beyin tümörünün yeri ve boyutlarının tespiti için bölütleme (segmentasyon) işlemi yapılmış, ikinci aşamada ise tümör tiplerinin tespiti için sınıflandırma işlemi yapılmıştır. Bölütleme işlemi için derin öğrenme ağlarından biri olan UNet mimarisi, segmentasyon işlemi için önceden eğitilmiş DenseNet121 mimarisi ile hibrit model olarak kullanılmıştır. Önerilen model, yüksek dereceli ve düşük dereceli glioma tümörlerini içeren BraTS 2019 veri seti ile doğrulanmıştır. Deneysel sonuçlar, modelimizin bu alanda sunulan diğer son teknoloji yöntemlerden daha iyi performans elde ettiğini göstermektedir. Bölütleme işlemi sonucunda, tüm tümör, çekirdek tümör ve genişleyen tümör için sırası ile %95.9, %94.3 ve %89.2 DSC değerleri elde edilmiştir. Beyin MR görüntülerinin sınıflandırılması için 8 katmanlı iyileştirilmiş CNN tabanlı bir ağ tasarlanmıştır. Önerilen yaklaşım, glioma tümörlerini %99,64, menenjiyom tümörlerini %96,53, hipofiz tümörlerini %98,39 doğruluk oranıyla tespit etmiştir.

The detection of brain tumors from MRI images is a critical concern for human health and often requires risky surgeries for treatment. Experts can identify brain tumors using high-resolution Magnetic Resonance (MR) imaging. However, nowadays, many researchers are employing deep learning methods to detect brain tumors from MR or Computed Tomography (CT) images. Significant success has been achieved in tumor detection from MR or CT images through these studies. Nevertheless, there are still many areas in this field that need improvement, especially in accurately determining the location and size of tumors. In this thesis, a new approach has been developed using deep learning methods to automatically detect brain tumors from MRI images with a higher success rate than previously proposed methods. The brain tumor detection process in this thesis is carried out in two stages: in the first stage, segmentation is performed to determine the location and dimensions of the brain tumor, and in the second stage, classification is performed to determine the types of tumors. For the segmentation process, the UNet architecture, which is one of the deep learning networks, is used as a hybrid model with the pre-trained DenseNet121 architecture. The proposed model has been validated on the BraTS 2019 publicly available brain tumor dataset, which includes high-grade and low-grade glioma tumors. Experimental results demonstrate that our model outperforms other state-of-the-art methods in this field. For the segmentation process, Dice Similarity Coefficient (DSC) values of 95.9%, 94.3%, and 89.2% are obtained for the whole tumor, core tumor, and enhancing tumor, respectively. An 8-layer CNN-based model is designed for the classification of brain MR images. The proposed approach achieves detection accuracies of 99.64% for glioma tumors, 96.53% for meningioma tumors, and 98.39% for pituitary tumors.