Araştırma makalesi

Optimize Edilmiş Beyin Tümörü Tespiti için Artırılmış Multimodal Füzyon: Değerlendirme ve Karşılaştırmalı Analiz

DOI:

10.3791/67822

⸱

10 Haziran 2025

 ,  ,  ,  ,  ,  , 
1Amity School of Engineering and Technology, Amity University, 2Chitkara University Institute of Engineering and Technology, Chitkara University, 3Thapar Institute of Engineering and Technology, 4Department of Computer Science, Prince Sultan University, 5College of Computer and Information Sciences, Prince Sultan University, 6College of Computer and Information Sciences, Imam Mohammad Ibn Saud Islamic University

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, önceden eğitilmiş beş modeli entegre ederek ve değerlendirerek optimize edilmiş bir beyin tümörü tespit yöntemi önermektedir. Yaklaşım, gelişmiş görüntü büyütme, hiper parametre ayarlama ve çeşitli optimize ediciler kullanarak gelişmiş doğruluk ve genelleme sağlar ve beyin tümörü teşhisi için tıbbi görüntülemeye önemli katkılar sunar.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Beyin tümörleri, zamanında müdahale için doğru ve etkili tespit yöntemleri gerektiren önemli bir tıbbi sorunu temsil etmektedir. Bu çalışma, beyin tümörü teşhisi için yeni bir yöntem önermek için VGG16, MobileNetV2, DenseNet121, InceptionV3 ve ResNet50 gibi önceden eğitilmiş birkaç temel modeli entegre eder. Çeşitli temel modelleri barındırmak, tutarlılık ve bakım kolaylığı sağlamak ve model karşılaştırmasını kolaylaştırmak için kolaylaştırılmış ve standartlaştırılmış bir teknik önerilmiştir. Eğitim veri setinin çeşitliliğini artırmak ve model genellemesini geliştirmek için, parlaklık ve kontrastı ayarlama gibi dikkate değer görüntü büyütme yöntemleri kullanılır. Ayrıca, veri oluşturucuları kullanan etkili bir eğitim hattı, bilgi işlem gücünden tasarruf ederken büyük veri kümelerini verimli bir şekilde işlemek için tasarlanmıştır.

Çalışma, önceden eğitilmiş her bir temel modele uygulanan üç farklı optimize edici (Adam, Stokastik Gradyan İnişi ve Adamax) kullanılarak kapsamlı bir analiz gerçekleştirdi ve hiperparametrelerin kapsamlı ayarlamaları yapıldı. Modelin performansını değerlendirmek için hatırlama, doğruluk, kesinlik, F1 puanı ve karışıklık matrisleri gibi ölçümler kullanılır ve modelin davranışının kapsamlı bir şekilde anlaşılmasını sağlar. Her modelin performansının sistematik bir karşılaştırması, güçlü ve zayıf yönlerin derinlemesine incelenmesini sağlayarak, beyin tümörü tespit uygulamaları için bilinçli model seçimini ve karar vermeyi kolaylaştırdı. MobileNetV2, Adam optimizer'ı kullanarak %96 doğruluk, %96 hassasiyet, %94 hatırlama ve %95 F1 puanı ile en yüksek genel performansı elde etti. DenseNet121 ve VGG16 da iyi performans göstererek sırasıyla %95 ve %94 doğruluk elde etti. InceptionV3, %93 doğruluk, %93 hassasiyet, %91 geri çağırma ve %92 F1 puanı ile en iyi performans gösteren modellere kıyasla biraz daha düşük bir performans sergiledi. ResNet50, %77 doğruluk, %78 hassasiyet, %76 hatırlama ve %76 F1 puanı ile nispeten daha düşük performans gösterdi. Bu metrikler, beyin tümörü tespiti için önerilen yöntemin sağlamlığını ve etkinliğini göstermektedir.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Beyin tümörleri, iyi huylu veya kötü huylu olsun, insan sağlığı ve refahı için önemli bir tehdit oluşturur. Bu tümörlerin zamanında tespit edilmesi, hasta sonuçlarının belirlenmesinde çok önemli bir rol oynar ve bu da onu tıp alanında bir öncelik haline getirir 1,39 (ayrıca bakınız Ek Tablo S1). Beyin tümörlerini erken evrede tespit etmek sadece hayati bir tıbbi amaç değil, aynı zamanda hastalar için çok önemli bir yaşam çizgisidir. Zamanında müdahale ve etkili tedavi seçeneklerine erişim sağlayarak, daha iyi prognozu teşvik eder, hastaları güçlendirir ve bu zorlu durumun genel yükünü azaltır40. MRG gibi tekniklerle kolaylaştırılan hastalık ilerlemesinin sürekli izlenmesi, tedavi stratejilerinin 1,3 ayarlanması ve potansiyel komplikasyonların tespit edilmesi için gereklidir. Erken teşhis sadece hasta sağkalımını iyileştirmekle kalmaz, aynı zamanda başarılı sonuçlar ve daha iyi uzun vadeli prognoz için umut vererek yaşam kalitesini de artırır.

Derin öğrenme, beyin tümörlerinin tespitinde etkilidir ve karmaşık tıbbi görüntüleme verilerini 4,5,6 olağanüstü bir hassasiyet ve hızla analiz etmede benzersiz yetenekler sunar. Derin öğrenme modelleri, özellikle evrişimli sinir ağları (CNN'ler) gibi gelişmiş sinir ağı yapılarını kullananlar, bilgisayarlı tomografi (BT), pozitron emisyon tomografisi (PET) ve MRI taramaları gibi çeşitli tıbbi görüntüleme modalitelerinden karmaşık kalıpları ve özellikleri otonom olarak tanımlamada oldukça etkilidir 7,41.

Derin öğrenmenin beyin tümörlerini tanımlamadaki en önemli faydalarından biri, onları çok erken evrelerde tespit etme kapasitesidir 8,9,10,11. Derin öğrenme algoritmaları, tıbbi görüntülerde insan gözleminden kaçabilecek ince anormallikleri ayırt ederek, sağlık hizmeti sağlayıcılarının tedaviyi derhal başlatmasını sağlar, böylece tümör ilerlemesini önler 12,15,17,18,19,20 ve hasta sonuçlarını iyileştirir 15,17. Bu yetenek, tedavi kararlarını yönlendirmek ve hasta prognozunu tahmin etmek için kritik öneme sahiptir 24,25,26. Kapsamlı veri kümeleri 27,28,29 üzerinde eğitilen derin öğrenme modelleri, görüntüleme özellikleri ile tümör patolojisi arasındaki karmaşık ilişkileri kavrayarak kesin ve güvenilir tanısal içgörüler sağlar 30,31,32,33.

Derin öğrenmedeki son gelişmeler, başlangıçta doğal dil işleme için tasarlanan transformatör tabanlı mimarileri, tıbbi görüntülemede oyunun kurallarını değiştiren araçlar olarak tanıttı. Geleneksel CNN'lerin aksine, transformatörler küresel veri bağımlılıklarını yakalamak için kendi kendine dikkat mekanizmalarını kullanır ve bu da onları tümör segmentasyonu ve sınıflandırması gibi karmaşık görevler için özellikle etkili hale getirir. Saeed ve ark.41 ve Mehmood ve ark.38 tarafından yürütülenler gibi çalışmalar, beyin tümörü tespitinde segmentasyon doğruluğunu ve açıklanabilirliği önemli ölçüde iyileştiren DeepLabV3+ ve TransResUNet gibi transformatörle geliştirilmiş modellerin başarısını vurgulamıştır. Bu modeller, tahmine dayalı modelleme için transformatörlerin uygulandığı Xuanzhi ve ark.40 tarafından gösterildiği gibi, tıbbi görüntülerin daha derin bir şekilde anlaşılmasını sağlar.

Büyük, etiketli veri kümelerine daha az bağımlılıkla karmaşık mekansal ilişkileri haritalama yetenekleri, alanı dönüştürerek daha uyarlanabilir ve ölçeklenebilir tanı çözümlerinin önünü açıyor. Bu, tıbbi görüntülemede önemli bir değişime işaret ederek algılama ve analizde hassasiyet ve verimliliği vurgulamaktadır. Derin öğrenme kullanarak beyin tümörlerini tespit etmek, transfer öğrenme ve optimizasyon yöntemlerindeki ilerlemenin etkisiyle tıbbi görüntülemede önemli bir odak alanı olarak ortaya çıkmıştır1. Bu gelişmelere rağmen, model performansındaki değişkenlik, optimizasyon tekniklerinin yetersiz araştırılması ve hiper parametre ayarlama ve veri artırma stratejilerinin sınırlı değerlendirilmesi gibi zorluklar devam etmektedir.

Tıbbi Görüntülemede Transfer Öğrenimi

Optimizasyon Teknikleri: Mevcut optimizasyon algoritmaları, özellikle yüksek boyutlu alanlarda, hesaplama verimliliğini ve yakınsama hızını dengelemekle genellikle mücadele eder. Farklı sorun ortamlarına dinamik olarak uyum sağlayabilen uyarlanabilir ve hibrit optimizasyon yöntemlerine ihtiyaç vardır.

Veri Artırma ve Ön İşleme: Mevcut veri artırma teknikleri, gerçek dünya senaryolarına iyi genellenmeyen gerçekçi olmayan dönüşümler ortaya çıkarabilir. Alana özgü kısıtlamaları göz önünde bulunduran ve veri bütünlüğünü koruyan uyarlanabilir büyütme stratejileri hakkında daha fazla araştırmaya ihtiyaç vardır.

Model Karşılaştırmaları: Çoğu model karşılaştırma çalışması, gerçek dünyadaki karmaşıklıkları yansıtmayabilecek kıyaslama veri kümelerine odaklanır. Gerçek genelleme yeteneklerini anlamak için çeşitli, gürültülü ve dengesiz veri kümelerindeki modellerin değerlendirilmesinde bir araştırma boşluğu vardır.

Derin Öğrenme Modelleri aracılığıyla Özellik Çıkarma: Derin öğrenme modelleri özellikleri otomatik olarak ayıklayabilse de, genellikle yorumlanabilirlikten yoksundurlar. Öğrenilen temsiller hakkında içgörü sağlayan açıklanabilir özellik çıkarma yöntemleri üzerinde daha fazla çalışmaya ihtiyaç vardır.

Optimizasyon Stratejileri: Birçok optimizasyon stratejisi, alana özgü bilgilerden tam olarak yararlanmaz ve bu da optimal olmayan çözümlere yol açar. Daha iyi performans için etki alanına duyarlı buluşsal yöntemlerin optimizasyon çerçevelerine dahil edilmesi konusunda araştırma yapılması gerekmektedir.

Veri Artırmadaki Zorluklar: Veri büyütme, gereksiz veya yanıltıcı bilgilere yol açarak model performansını olumsuz etkileyebilir. Büyütme, çeşitlilik ve veri gerçekçiliği arasındaki dengeyi ele almak, derin öğrenme uygulamalarında açık bir zorluk olmaya devam ediyor.

Önerilen araştırmada yapılan deneysel çalışmanın eleştirel bir analizi, dikkate değer güçlü ve zayıf yönleri ortaya koymaktadır. Olumlu tarafı, transfer öğrenme modellerinin karmaşık özellikleri çıkarmada oldukça etkili olduğu kanıtlanmıştır ve bu da beyin tümörü tespiti gibi görevlerde mükemmel olmalarını sağlar. Ek olarak, yaygın olarak kullanılan Adam optimizer ve daha yeni yöntemler dahil olmak üzere gelişmiş optimizasyon teknikleri, yakınsama oranlarını ve genel model performansını iyileştirme yeteneklerini göstermiştir.

Ancak, bazı sınırlamalar devam etmektedir. Optimize ediciler ve modeller arasındaki etkileşimler hakkında sınırlı bir araştırma yapılmıştır ve bu da optimum performansa ulaşmak için daha derin içgörüler sağlayabilir. Ayrıca, hiper parametre ayarlamaya yetersiz odaklanma, farklı uygulamalar arasında tekrarlanabilirlik ve tutarlılık sağlamada çok önemli bir rol oynadığı için bir dezavantaj olarak tanımlanmıştır.

Bu makale, özellik çıkarma ve aktarım öğrenimi üzerine temel çalışmalarla başlar, optimizasyon ve büyütme gibi ileri alanlara ilerler ve temel araştırma boşluklarını belirleyerek sona erer. Mevcut literatürde birkaç önemli boşluk vurgulanmıştır. Önemli bir sorun, 6,36 numaralı çalışmalarda belirtildiği gibi, farklı optimize ediciler arasında aynı şekilde değerlendirilmediği transfer öğrenme modellerinin tutarsız kıyaslamasıdır. Diğer bir boşluk, hiper parametre ayarlamanın sınırlı araştırılmasında ve araştırma14,37 tarafından tanımlandığı gibi, model performansını etkilemedeki kritik rolünde yatmaktadır. Ek olarak,15,23 numaralı çalışmalarda gözlemlendiği gibi, özellikle model sağlamlığı ve genelleştirme üzerindeki etkilerine ilişkin olarak, çeşitli çalışmalarda kullanılan büyütme stratejileri için yeterli gerekçe eksikliği vardır. Bu boşluklar, gelecekteki araştırmalarda daha standart ve titiz yaklaşımlara duyulan ihtiyaca işaret etmektedir.

Bu boşlukları gidermek için bu çalışma, üç optimize edici (Adam, SGD, Adamax) ile eşleştirilmiş önceden eğitilmiş beş modelin (VGG16, MobileNetV2, DenseNet121, InceptionV3 ve ResNet50) kapsamlı değerlendirmesiyle öne çıkıyor. Kıyaslamadaki boşlukları ele alarak ve optimize edici-model etkileşimlerini keşfederek, performans dinamiklerinin kapsamlı bir analizini sunar. Kılavuz aramasını kullanan titiz hiper parametre ayarlaması, öğrenme oranları, toplu iş boyutları ve bırakma oranları gibi temel parametreleri iyileştirerek gelişmiş model performansına yol açar.

Çalışma ayrıca, model genellemesini iyileştirmek için parlaklık ve kontrast ayarlamaları da dahil olmak üzere özelleştirilmiş büyütme stratejileri sunmaktadır. Temel metrikleri kullanan standartlaştırılmış bir değerlendirme çerçevesi, modeller arasında adil ve tutarlı bir karşılaştırma sağlar. Özellikle, MobileNetV2, beyin tümörü tespiti için en iyi performans gösteren model olarak ortaya çıkıyor, eyleme geçirilebilir içgörüler sağlıyor ve tıbbi görüntüleme araştırmalarında tekrarlanabilirlik ve verimlilik için yeni bir ölçüt belirliyor.

Çalışmaya dahil edilen önceden eğitilmiş modeller VGG16, MobileNetV2, DenseNet121, InceptionV3 ve ResNet50 idi, çünkü çeşitlilik temsili için benzersiz mimari güçlerini uygularken görüntü sınıflandırma gibi görevlerde yüksek oranda test edilmiş ve etkili oldukları kanıtlanmıştır. VGG16, hiyerarşik özellikleri ayıklamak için kolay ama güçlü bir çerçeve sağlarken, mobil NetV2, kaynakların kısıtlı olduğu ortamlar için uygun mimarilerle hafiftir. DenseNet121, yoğun bir bağlantı ile özelliklerin yeniden kullanımı yoluyla verimliliği artırmak için çalışır. InceptionV3 kullanarak çeşitli ölçeklerde özellikleri yakalayan Inception modüllerini kullanır. Resnet50, artık bağlantılarla birlikte, gradyanların kaybolmasını mükemmel bir şekilde önler. Her üç optimize edicinin de, optimizasyonla karşılaştırmak için SGD'yi, uyarlanabilir öğrenme oranıyla birlikte momentumu hibritleştirmesi nedeniyle Adam'ı ve özellikle seyrek gradyanlarda oldukça sağlam olan Adamax'ı seçmesi tercih edildi.

Bu çalışma, çoklu mimarilerin değerlendirilmesini, optimize edici analizini ve hiper parametre ayarlamayı tek bir kapsamlı çerçevede birleştirerek ve mevcut bilgi tabanını önemli ölçüde geliştirerek alana benzersiz bir katkı sağlamaktadır. Sistematik metodolojileri ve ayrıntılı raporlaması, diğer araştırmacıların bulguları tekrarlamasına veya daha fazla ilerleme için bir temel olarak kullanmasına olanak tanıyarak tekrarlanabilirliği sağlar. Ayrıca, bu çalışmanın pratik önemi açıktır, çünkü sonuçları gelecekteki tıbbi görüntüleme sistemlerinin geliştirilmesine doğrudan rehberlik edebilir ve klinik uygulamalar için hem doğruluk hem de verimlilikte iyileştirmeler sağlayabilir.

Bu araştırmada yapılan çalışma, farklı temel modelleri barındıran, uygulamada tutarlılık sağlayan, bakım kolaylığı sağlayan ve model karşılaştırmasını kolaylaştıran aerodinamik ve standartlaştırılmış bir kod tabanının geliştirilmesine odaklanmaktadır Ayrıca, VGG16, MobileNetV2, DenseNet121, InceptionV3 ve ResNet50 dahil olmak üzere önceden eğitilmiş temel modelleri entegre ederek beyin tümörü tespiti için benzersiz mimarilerinden yararlanmak üzere yeni bir yaklaşım tanıtılmaktadır. Çalışma, eğitim veri kümesinin çeşitliliğini artırmak ve model genellemesini geliştirmek için parlaklık ve kontrast modifikasyonları dahil olmak üzere görüntü büyütme yöntemlerini içerir. Bu çalışmanın amacı, bilgi işlem gücünden tasarruf ederken büyük veri kümelerini sorunsuz bir şekilde işlemek ve modelleri etkili bir şekilde eğitmek için veri oluşturuculardan yararlanan etkili bir eğitim hattı tasarlamak ve uygulamaktır. Önerilen çalışmanın kapsamlı analizi, üç farklı optimize edici kullanılarak yapılmıştır: Adam, Stokastik Gradyan İnişi (SGD) ve Adamax, önceden eğitilmiş beş farklı temel modele (VGG16, MobileNetV2, DenseNet121, InceptionV3 ve ResNet50) uygulanmıştır. Son olarak, modelin davranışının kapsamlı bir şekilde anlaşılmasını sağlamak için hatırlama, doğruluk, kesinlik, F1 puanı ve karışıklık matrisleri gibi temel metrikler incelenerek modelin performansının derinlemesine bir değerlendirmesi yapılır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Şekil 7 , önerilen yaklaşımın genel metodolojisini temsil eden şematik bir blok diyagramı göstermektedir. Önerilen yöntemde, beyin tümörlerinin MRI tarama görüntüleri, normalleştirme ve ölçekleme olmak üzere iki popüler teknik kullanılarak önceden işlenir. Bu çalışmada VGG16, MobileNetV2, DenseNet121, ResNet50 ve InceptionV3 gibi bazı popüler önceden eğitilmiş transfer öğrenme modelleri kullanılmaktadır. Eğitimden sonra, modeller varsayımsal durumlar üzerinde test edilir ve modellerin performansını doğruluk, hatırlama, kesinlik ve F1 puanı gibi çeşitli performans ölçütlerine dayalı olarak kontrol etmek için kapsamlı bir analiz yapılır. Önerilen teknik, beyin tümörü sınıflandırmasının verimliliğini ve doğruluğunu artırmak için derin öğrenmeyi kullanır ve bu da gelecekte tıbbi tanı sürecini iyileştirebilir.

1. Veri kümesi edinimi

  1. Veri kümesini edinin: Dört sınıfa ayrılmış 7023 görüntüden oluşan beyin tümörü MRI tarama veri kümesini Kaggle'dan indirin: hipofiz, tümörsüz, menenjiyom ve gliom.
  2. Veri kümesini bölme: Veri kümesini bir eğitim kümesine (5.712 görüntü) ve bir test kümesine (1.311 görüntü) bölün.
    NOT: Tarafsız model değerlendirmesi için sınıf dağılımının eğitim ve test setleri arasında dengelendiğinden emin olun. Şekil 8'de , eğitim veri kümesindeki çeşitli kategoriler arasındaki görüntülerin görsel dağılımı gösterilmektedir. Dört farklı sınıftan MRI görüntülerinin bazı örnek veri setleri Şekil 9'da görülebilir.

2. Veri ön işleme

  1. Görüntü dönüşümü:
    1. Python Görüntüleme Kitaplığı'nı (PIL) kullanarak her MRI görüntüsünü sayısal bir temsile dönüştürün.
      1. PIL (Yastık) ve numpy'nin takılı olduğundan emin olun.
      2. PIL kullanarak MRI taramasını açın.
      3. Gerekirse, işlemeyi basitleştirmek için görüntüyü gri tonlamaya dönüştürün.
      4. NumPy Dizisine Dönüştür - Görüntüyü sayısal bir biçime dönüştürün.
  2. Veri artırma:
    1. Parlaklık ayarı: Görüntü parlaklığını 0,8 ile 1,2 arasında değişen bir faktörle rastgele değiştirmek için ImageEnhance.Brightness işlevini kullanın.
    2. Kontrast ayarı: Görüntü kontrastını 0,8 ile 1,2 aralığında rastgele değiştirmek için ImageEnhance.Contrast işlevini uygulayın.
      NOT: Bu büyütme teknikleri, gerçek dünya görüntüleme koşullarındaki değişiklikleri simüle etmek ve model sağlamlığını artırmak için uygulanır.
  3. Normalleştirme: Görüntüyü yüklemek ve büyütme uygulamak (örn. çevirme, döndürme) için PIL kitaplığını kullanarak artırılmış görüntüleri NumPy dizilerine dönüştürün. Ayrıca, artırılmış görüntüyü sayısal bir gösterime dönüştürün (img_array = np.array(img_aug). ML modeline bağlı olarak, diziyi yeniden şekillendirin veya düzleştirin (img_vector = img_array.flatten()). Son olarak, [0, 1] aralığına girdiklerinden emin olmak için piksel değerlerini 255.0'a bölerek normalleştirin.
    NOT: Bu adım, model için tutarlı girdi sağlayarak istikrarlı eğitim ve performansı kolaylaştırır.

3. Tümör sınıflandırması için transfer öğrenimi

  1. Model seçimi: Aktarım öğrenimi için VGG16, MobileNetV2, DenseNet121, InceptionV3 ve ResNet50 dahil olmak üzere önceden eğitilmiş modelleri seçin.
  2. Özellik çıkarma: Katmanlarının çoğunu eğitilemez olarak ayarlayarak önceden eğitilmiş modelleri özellik ayıklayıcılar olarak kullanın. Katmanları eğitilemez olarak ayarlamak için aşağıdaki kod satırına bakın. base_model.Layers'daki katman için[:15]:
    layer.trainable = Yanlış
    NOT: Bu adım, hedef tıbbi veri kümesi üzerinde daha iyi genelleme için büyük, çeşitli veri kümelerinden öğrenilen hiyerarşik temsillerden yararlanır.
  3. İnce ayar: Aşağıdaki kod parçacığını kullanarak beyin tümörü tespitinin belirli görevine uyum sağlamak için önceden eğitilmiş her modelin son üç katmanını çözün: base_model.layers[-3:] içindeki katman için: layer.trainable = True
    NOT: İnce ayar, modelin beyin anormalliklerinin tespitiyle ilgili özelliklere odaklanmasını sağlar.

4. Tümör sınıflandırması için derin öğrenme modelleri

  1. Standartlaştırılmış model yapısı:
    1. Hiyerarşik özellikleri tek boyutlu bir diziye dönüştürmek için her modele bir Düzleştirme katmanı ekleyin Düzleştirme işleminden sonra, sınıflandırma veya regresyon görevleri için Yoğun katmanlar ekleyin.
    2. Aşırı uyumu azaltmak ve genellemeyi geliştirmek için Bırakma katmanlarını (0,3 ve 0,2 oranlarıyla) dahil edin.
  2. Yoğun katmanlar:
    1. Doğrultulmuş Doğrusal Birim (ReLU) aktivasyonunu kullanarak 128 nöronlu yoğun bir katman ekleyin.
    2. Beyin tümörü görüntülerinin çok sınıflı sınıflandırması için softmax aktivasyonlu son bir yoğun katman ekleyin.
      NOT: Modeller arasındaki bu tek tip yapı, tutarlı değerlendirme ve karşılaştırma sağlar.

5. Eğitim ve optimizasyon

  1. Giriş özellikleri: Tüm modeller için görüntülerin giriş boyutlarını (224, 224, 3) olarak standartlaştırın. Yoğun olarak bağlı sınıflandırma katmanlarını dışlayarak ve modelleri yalnızca özellik ayıklayıcılar olarak kullanarak include_top parametresini False olarak ayarlayın.
  2. Ağırlık başlatma: Adil ve anlamlı karşılaştırmaları teşvik etmek için tüm modellerde başlatma için imagenet ağırlıklarını kullanın.
  3. Derleme: sparse_categorical_crossentropy kaybı işlevini ve sparse_categorical_accuracy metriğini kullanarak tüm modelleri derleyin.
    NOT: Seçilen kayıp işlevi, etiketler tamsayı olduğunda çok sınıflı sınıflandırma için uygundur.
  4. Optimizasyon stratejisi:
    1. Toplu iş boyutları: Eğitim hızı ve performansı için en uygun boyutu belirlemek için 16, 32 ve 64 toplu iş boyutlarını test edin.
    2. Öğrenme oranları: Adam optimize edici için 0.0001 ve SGD ve Adamax optimize ediciler için 0.001 öğrenme oranı kullanın.
    3. Bırakma oranları: Aşırı öğrenmeyi önlemek için 0,2, 0,3 ve 0,5'lik bırakma oranlarını değerlendirin.
      NOT: Bu parametreler, optimum performansı sağlamak için her model için ayarlanmıştır.
  5. Eğitim parametreleri: 20'lik tek tip bir toplu iş boyutu ayarlayın ve tüm modellerde 50 dönem için eğitin.
    Aşırı öğrenmeyi ve gereksiz hesaplama yükünü önlemek için dönem sayısına dayalı erken durdurma uygulayın.
    NOT: Bu standartlaştırılmış prosedür, model performansının adil bir şekilde karşılaştırılmasını sağlar.

6. Model değerlendirmesi

  1. Performans ölçümleri: Doğruluk, kesinlik, geri çağırma ve F1 puanı gibi ölçümleri kullanarak her modeli değerlendirin.
  2. Karışıklık matrisleri: Sınıflar arasındaki yanlış sınıflandırmaların ayrıntılı bir analizi için karışıklık matrisleri oluşturun.
    NOT: Bu değerlendirmeler, her modelin güçlü ve zayıf yönleri hakkında içgörüler sağlayarak daha fazla iyileştirmeye rehberlik eder.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

VGG16, MobileNetV2, DenseNet121, InceptionV3 ve ResNet50 olmak üzere beş modelin her birinin performans değerlendirmesi, doğruluk eğrileri, karışıklık matrisleri ve sınıflandırma raporları ile ayrıntılı bir analiz içerir. Bu ölçümler ve görselleştirmeler, modellerin beyin tümörü tespitindeki yeterliliğini değerlendirmek için önemli araçlardır. Modellerin dönemler boyunca öğrenme ilerlemesi, modellerin olası aşırı uyumuna ve yakınsamasına da ışık tutan doğruluk eğrileri ile dinamik olarak ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Model performansı

Derin öğrenme modellerinin (önceden eğitilmiş) etkin kullanımı, beyin tümörü tanımlamasındaki güçlü performansın birincil nedenidir. Performansı değerlendirmek için kullanılan öne çıkan mimarilerin bir kombinasyonu VGG16, MobileNetV2, DenseNet121, InceptionV3 ve ResNet50'dir. Bu modeller, kapsamlı görüntü verisi koleksiyonları kullanılarak ön eğitimden geçtikleri için etkileyici özellik çıkar...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarların beyan edebilecekleri herhangi bir çıkar çatışması yoktur.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, bu yayının Makale İşlem Ücretlerinin (APC) ödenmesi için Prens Sultan Üniversitesi'nin desteğine teşekkür eder.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
GPU Altyapısı ve Jupyter NotebookKaggle (Çevrimiçi Platform Sağlayıcı)KaggleTesla-P100GPU altyapısı s Jupyter Notebook hizmeti, en yeni NVIDIA Tesla P100 GPU'yu kullanıyor
Intel Core i5-8350UInteli5-8350UCPU @ Yerel işleme için 1.70GHz (1.90 GHz maks.)
RAMStandart8GB_RAMVeri işleme için 8 GB RAM
İşletim SistemiMicrosoftWindows_64Yerel işleme için 64 bit Windows işletim sistemi
Python KitaplıklarıPython TopluluğuYokNumPy, scikit-learn, PIL, TensorFlow 2.12, Keras 2.12
' tarafından sağlanan

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Banoori, F., et al. Few-shot bioacoustics event detection using transudative inference with data augmentation. IEEE Sens Lett. 8 (3), 1-4 (2024).
  2. HISBmodel: A rumor diffusion model based on human individual and social behaviors in online social networks. Hosni, A. I. E., Li, K., Ahmed, S. Neural Information Processing: 25th International Conference, ICONIP 2018, Siem Reap, Cambodia, Proceedings, Part II 25, December 13-16, 2018, , Springer International Publishing. Cambodia. 14-27 (2018).
  3. Deep facial expression recognition of facial variations using fusion of feature extraction with classification in end to end model. Ullah, A., et al. 2019 Int. Conf Emerg Trends Eng Sci Technol (ICEEST, 4, 112-118 (2019).
  4. Ali, S., et al. State-of-the-art challenges and perspectives in multi-organ cancer diagnosis via deep learning-based methods. Cancers (Basel). 13 (21), 1-23 (2021).
  5. Woźniak, M., Siłka, J., Wieczorek, M. Deep neural network correlation learning mechanism for CT brain tumor detection. Neural Comput. Appl. 35 (20), 14611-14626 (2023).
  6. Liu, X., Wang, Z. Deep learning in medical image classification from MRI-based brain tumor images. arXiv preprint. , (2024).
  7. Jia, Z., Chen, D. Brain tumor identification and classification of MRI images using deep learning techniques. IEEE Access. , (2020).
  8. Saba, T., Mohamed, A. S., El-Affendi, M., Amin, J., Sharif, M. Brain tumor detection using fusion of hand crafted and deep learning features. Cognit Syst Res. 59, 221-230 (2020).
  9. Mohanty, B. C., et al. Feature-enhanced deep learning technique with soft attention for MRI-based brain tumor classification. Int J Inf Technol. 16 (3), 1617-1626 (2024).
  10. A comprehensive survey and adaptive fuzzy median filtering based breast cancer detection and segmentation techniques. Srinivas, B., Sriram, M., Ganesan, V. Proc 2nd Int Conf Intell Innov Technol Comput Electr Electron (ICIITCEE), , 1-8 (2024).
  11. Abdusalomov, A. B., Mukhiddinov, M., Whangbo, T. K. Brain tumor detection based on deep learning approaches and magnetic resonance imaging. Cancers. 15 (16), 4172(2023).
  12. Amin, J., et al. Brain tumor detection by using stacked autoencoders in deep learning. J Med Syst. 44, 1-12 (2020).
  13. Saeedi, S., et al. MRI-based brain tumor detection using convolutional deep learning methods and chosen machine learning techniques. BMC Med Inform Decis Mak. 23 (1), 1-17 (2023).
  14. Asiri, A. A., et al. Optimized brain tumor detection: A dual-module approach for MRI image enhancement and tumor classification. IEEE Access. 12, 42868-42887 (2024).
  15. Sadad, T., et al. Brain tumor detection and multi-classification using advanced deep learning techniques. Microsc Res Tech. 84 (6), 1296-1308 (2021).
  16. Swaraja, K., et al. Segmentation and detection of brain tumor through optimal selection of integrated features using transfer learning. Multimedia Tools Appl. 81 (19), 27363-27395 (2022).
  17. Deep learning based on NASNet for plant disease recognition using leave images. Adedoja, A., Owolawi, P. A., Mapayi, T. Proc 2nd Int Conf Adv Big Data, Comput Data Commun Syst (icABCD), , 1-5 (2019).
  18. Chattopadhyay, A., Maitra, M. MRI-based brain tumour image detection using CNN based deep learning method. Neurosci Inform. 2 (4), 100060(2022).
  19. Hashemzehi, R., et al. Detection of brain tumors from MRI images based on deep learning using hybrid model CNN and NADE. Biocybern Biomed Eng. 40 (3), 1225-1232 (2020).
  20. Maquen-Niño, E., et al. Brain tumor classification deep learning model using neural networks. Int J Online Biomed Eng. 19 (9), 81-92 (2023).
  21. Kaur, R., Kumar, R., Gupta, M. Review on transfer learning for convolutional neural network. Proc 3rd Int Conf Adv Comput Commun Control Netw (ICAC3N), , 922-926 (2021).
  22. Hu, A., Razmjooy, N. Brain tumor diagnosis based on metaheuristics and deep learning. Int J Imaging Syst Technol. 31 (2), 657-669 (2021).
  23. Kadry, S., et al. Evaluation of brain tumor using brain MRI with modified-moth-flame algorithm and Kapur's thresholding: A study. Evol Intell. 14 (2), 1053-1063 (2021).
  24. Sethi, B. K., et al. Long short-term memory-deep belief network-based gene expression data analysis for prostate cancer detection and classification. IEEE Access. 12, 1508-1524 (2023).
  25. Vishnuvarthanan, G., et al. Tumor detection in T1, T2, FLAIR and MPR brain images using a combination of optimization and fuzzy clustering improved by seed-based region growing algorithm. Int J Imaging Syst Technol. 27 (1), 33-45 (2017).
  26. Sharif, M. I., et al. A decision support system for multimodal brain tumor classification using deep learning. Complex Intell Syst. 8 (4), 3007-3020 (2022).
  27. ÇETİNER, H., ÇETİNER, I. Classification of cataract disease with a DenseNet201 based deep learning model. Iğdır Üniv Fen Bilim Enstitüsü Derg. 12 (3), 1264-1276 (2022).
  28. Sharif, M. I., et al. A decision support system for multimodal brain tumor classification using deep learning. Complex Intell Syst. 8 (4), 3007-3020 (2022).
  29. Mehmood, M., et al. Enhancing brain tumor classification in MRI scans with a multi-layer customized convolutional neural network approach. Front Comput Neurosci. 18, 1418546(2024).
  30. MindSight: Revolutionizing brain tumor diagnosis with deep learning. Gandham, R., et al. Proc 13th Int Conf Commun Syst Netw Technol (CSNT), , IEEE. (2024).
  31. Hernandez Petzsche, M. R., et al. ISLES 2022: A multi-center magnetic resonance imaging stroke lesion segmentation dataset. Sci Data. 9 (1), 762(2022).
  32. Rammurthy, D., Mahesh, P. K. Whale Harris hawks optimization-based deep learning classifier for brain tumor detection using MRI images. J King Saud Univ Comput Inf Sci. 34 (6), 3259-3272 (2022).
  33. Maharjan, S., et al. A novel enhanced softmax loss function for brain tumour detection using deep learning. J Neurosci Methods. 330, 108520(2020).
  34. Simonyan, K., Zisserman, A. Very deep convolutional networks for large-scale image recognition. arXiv preprint. , (2014).
  35. Mobilenetv2: Inverted residuals and linear bottlenecks. Sandler, M., et al. Proc IEEE Conf Comput Vision Pattern Recognit, , 4510-4520 (2018).
  36. Ullah, N., et al. Enhancing explainability in brain tumor detection: A novel DeepEBTDNet model with LIME on MRI images. Int J Imaging Syst Technol. 34 (1), e23012(2024).
  37. Iqbal, S., Uddin, M. I., Baig, M. M. Hybrid parallel fuzzy CNN paradigm: Unmasking intricacies for accurate brain MRI insights. IEEE Trans Fuzzy Syst. , (2024).
  38. Mehmood, M., Rasool, N., et al. TransResUNet: Revolutionizing glioma brain tumor segmentation through transformer-enhanced residual UNet. IEEE Access. , (2024).
  39. Ullah, M. S., et al. Multimodal brain tumor segmentation and classification from MRI scans based on optimized DeepLabV3+ and interpreted networks information fusion empowered with explainable AI. Comput Biol Med. 182, 109183(2024).
  40. Xuanzhi, L., et al. BrainNet: An automated approach for brain stress prediction utilizing electrodermal activity signal with XLNet model. Front Comput Neurosci. 18, 1482994(2024).
  41. Saeed, T., et al. Neuro-XAI: Explainable deep learning framework based on DeepLabV3+ and Bayesian optimization for segmentation and classification of brain tumor in MRI scans. J Neurosci Methods. 410, 110247(2024).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

nceden E itilmi Temel ModellerG r nt Art r mModel Kar la t rmasMobileNetV2VGG16DenseNet121InceptionV3ResNet50
Video yakında

İlgili makaleler