Manyetik Rezonans Görüntüleri Kullanılarak Beyin Tümörü Sınıflandırması ve Segmentasyonu için Evrişimli Sinir Ağı Tabanlı Çerçeve

Ambuj Kathuria; Deepali Gupta; Mudita Uppal

doi:10.3791/68428

Research Article

Manyetik Rezonans Görüntüleri Kullanılarak Beyin Tümörü Sınıflandırması ve Segmentasyonu için Evrişimli Sinir Ağı Tabanlı Çerçeve

DOI:

10.3791/68428

⸱

September 5th, 2025

Ambuj Kathuria¹ , Deepali Gupta¹ , Mudita Uppal¹

¹Chitkara University Institute of Engineering and Technology, Chitkara University

Summary

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

MRG'de U-Net ile beyin tümörü sınıflandırması ve segmentasyonu yapmak için derin öğrenme algoritmaları kullanıldı. InceptionV3, DenseNet201 ve Inception-ResNet-v2, tümör tipi ve derece tahmininde mükemmel doğrulukla performans gösterdi. GPT-4.0, otomatik tıbbi rapor oluşturma ve teşhis yardımı için artırılmış hibrit modeller.

Abstract

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

Beyin tümörlerinin erken tanısı, hastanın prognozunun optimizasyonu ve tedavi seçimi için kritik öneme sahiptir. Beyin tümörlerinin doğru segmentasyonu ve sınıflandırılması, uzman tedavi teknikleri oluşturmak için çok önemlidir. Beyin teşhisi için MRG kullanımı arttıkça ve bilgisayarla görme teknolojisi de geliştikçe, MRI taramalarına dayalı olarak tümörleri tanımlamak ve kategorize etmek için iyi ve etkili bir modele sahip olmak zor olmaya devam etmektedir. Bu sorunu çözmek için yazarlar, beyin tümörlerini farklı veri kümelerinden segmentlere ayırmak ve sınıflandırmak için derin öğrenme tabanlı bir teknik önerdiler. Görüntü önişleme, model performansını artırmak için dokuz büyütme yöntemi kullandı. MRG segmentasyonu U-Net modeli kullanılarak yapıldı.

InceptionV3 ve DenseNet201'e dayalı geliştirilen sınıflandırma modeli, tümörün varlığını tahmin eder ve onu Glioma, Meningioma ve Hipofiz olarak sınıflandırır. %99,15 doğruluk oranıyla InceptionV3, tümör sınıflandırmasında DenseNet201'in %98,75'inden daha yüksektir. Ek tümör sınıflaması Inception-ResNet-v2 temelinde HGG ve LGG olarak kümelenerek yapıldı. Tümör dereceleri (1-4) Inception-ResNet-v2 ile %96.64 doğrulukla tanımlanır. Otonom bir sistem, raporlar oluşturmak için hibrit modelleri GPT-4.0 ile entegre eder. Bu nedenle, bu yeni çerçeve, MRI taramalarından yakalanan girdi görüntülerini kullanarak beyin tümörlerini otomatik olarak tanımlamak ve ayırmak için kullanıldığında klinikler için çok uygun olabilir.

Introduction

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

Beyin tümörleri hastaların ve ailelerin yaşam kalitesini önemli ölçüde bozabilir ve ABD'de her yıl tedavi edilen her 100 kanserin bir örneğini oluşturur ^1,2,3. Glioma, Amerika Birleşik Devletleri'ndeki insanlar arasında en yaygın birincil beyin tümörüdür ve insidansı 100.000'de 6,5'tir. Beynin nöronlarına besin sağlayan glial hücreler olan astrositlerde, oligodendrositlerde ve ependimal hücrelerde ortaya çıkarlar. Glioma, tümördeki etkilenen glial hücrenin yanı sıra genetik profiline göre farklı tiplere ayrılır ve bu, tümörün zaman içinde mar....

Access restricted. Please log in or start a trial to view this content.

Protocol

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

Veri kümesi açıklaması ve keşif analizi
Veri kümesi, modelin güvenilirliğini ve doğruluğunu artırmak için birden çok kaynaktan oluşur. Merged_dataset, Veri Kümesi A (3.054), Veri Kümesi B (3.264), Veri Kümesi C (10.000) ve Veri Kümesi D'den (4.292) 20.620 görüntü içerir. Ayrıca, Glioma tümör dereceleri (HGG, LGG) için Brad veri setinden 1.425 görüntü eklendi. Bu çeşitli veri seti, daha iyi genelleme sağlayacak, önyargıları azaltacak ve modelin performansını artıracaktır. Büyük veri kümesi, kapsamlı değerlendirmelere olanak tanır ve bu nedenle, sınıflandırma görevlerinin gerçek dünyadaki uygulamalarında doğru tahminleri elde etme olasılığı daha yüks....

Access restricted. Please log in or start a trial to view this content.

Results

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

Eğitim ortamı, Kaggle'ın NVIDIA Tesla T4 GPU'sundan yararlanarak verimli model eğitimini kolaylaştırır. Önemli kitaplıklar, güçlü derin öğrenme işlem hatlarını kolaylaştıran TensorFlow, PyTorch, Keras, NumPy ve Pinecone'dur. DenseNet201, InceptionV3 ve Inception-ResNet-v2, tıbbi görüntülemede kanıtlanmış etkinlikleri nedeniyle seçildi. Bu tasarımlar, üstün evrişimli ve artık öğrenme yeteneklerinden yararlanarak beyin tümörü tespitinde doğruluğu artıran, aşırı uyumu en aza indiren ve model genellemesini iyileştiren derin .......

Access restricted. Please log in or start a trial to view this content.

Discussion

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

Beyin tümörleri son derece tehlikeli ve ölümcül olabileceğinden, beyin tümörlerinin erken teşhisi bir bireyin hayatını kurtarmak için gerekli olabilir. Şu anda, tümör teşhisi radyologların manuel yorumuna dayanmaktadır ve bu da maligniteleri erken evrelerde tespit etmede gecikmelere ve insan hatasına neden olabilir. Bu nedenle, bu makale, özellikle çeşitli şekil, boyut ve dokularla uğraşırken tümörleri hassas bir şekilde tespit edebilen, lokalize edebilen ve sınıflandırabilen çok sınıfla.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

Yazarların beyan edebilecekleri herhangi bir çıkar çatışması yoktur.

Acknowledgements

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

Hiç kimse

YAZAR KATKISI:
Kavramsallaştırma, a.K.; veri iyileştirme, A.K.; biçimsel analiz, A.K., M.U. ve D.G.; soruşturma, A.K.; metodolojisi, A.K.; gözetim, M.U. ve D.G.; validasyon, A.K., M.U. ve D.G.; görselleştirme, A.K. ve M.U.; yazı-orijinal taslak, A.K. ve M.U.; Yazım-İnceleme ve Editörlük, A.K., M.U. ve D.G.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
hızlı Metin	Facebook AI	YOK	Kelime gösterimi ve sınıflandırması
Google Ortak Çalışması	Google'da	YOK	Bulut tabanlı Jupyter Notebook ortamı
Google Colab GPU/TPU	Google'da	YOK	Bulut tabanlı donanım hızlandırma
Intel Core i5/i7 veya AMD Ryzen 5/7	Intel / AMD	YOK	Yerel yürütme için işlemci (gerekirse)
Matplotlib	Açık kaynak	YOK	Veri görselleştirme kitaplığı
NLTK	Açık kaynak	YOK	Metin işleme için Doğal Dil Araç Seti
NumPy	Açık kaynak	YOK	Sayısal hesaplama kütüphanesi
NVIDIA GTX 1650 veya üstü (isteğe bağlı)	NVIDIA	YOK	Derin öğrenme görevleri için GPU
Pandalar	Açık kaynak	YOK	Veri işleme kitaplığı
Python	Python Yazılım Vakfı	YOK	ML ve NLP için programlama dili
PyTorch	Meta AI	YOK	Derin Öğrenme çerçevesi
RAM (Minimum 8 GB, 16 GB Önerilir)	Çeşitli	YOK	ML görevleri için bellek gereksinimi
Scikit-öğren	Açık kaynak	YOK	Makine Öğrenimi kitaplığı
Denizde Doğan	Açık kaynak	YOK	İstatistiksel veri görselleştirme
SpaCy	Patlama AI	YOK	Endüstriyel güçte NLP kitaplığı
SSD Depolama (Minimum 256 GB, 512 GB Önerilir)	Çeşitli	YOK	Veri kümesi işleme için depolama
TensorFlow	Google'da	YOK	Derin Öğrenme çerçevesi

References

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

Kaye, A. H., Laws, E. R. Jr Brain tumors e-book: an encyclopedic approach. , Elsevier Health Sciences. (2011).
Roda, E., Bottone, M. G. Brain cancers: new perspectives and therapies. Front Neurosci. 16, 857408(2022).
Herholz, K., Langen, K. J., Schiepers, C., Mountz, J. M. Brain tumors.

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Manyetik Rezonans Görüntüleri Kullanılarak Beyin Tümörü Sınıflandırması ve Segmentasyonu için Evrişimli Sinir Ağı Tabanlı Çerçeve

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles