Research Article

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

DOI:

10.3791/68428

⸱

September 5th, 2025

 ,  , 
1Chitkara University Institute of Engineering and Technology, Chitkara University

In This Article

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 maruz kalabileceği davranışı ve etkili olma olasılığı en yüksek olan tedavileri tahmin etmek için yararlı olabilir 4,5,6. Bir glioma beynin işleyişini bozabilir ve hatta konumuna ve büyüme hızına bağlı olarak ölümcül olabilir. Meningiomlar tüm primer beyin tümörlerinin %15-20'sini oluşturur. Normal taramada prevalansı bir operatif seride her 100 kişide birdir. Araknoid başlık hücresinden kaynaklandıkları varsayılmaktadır. Meningiomlar, bulundukları yere göre iyi huyludan aşırı agresife kadar geniş bir davranış yelpazesi sergilerler. Birçok semptom çeşidi ile ortaya çıkarlar, ancak hastaların çoğu asemptomatik kalır.

İlişkili semptom ve bulgular esas olarak bitişik yapıların sıkışmasından kaynaklanır ve bu nedenle motor nöbetler, duyu bozukluğu, konuşma bozukluğu, anosmi ve daha pek çok semptomla da ortaya çıkabilirler. Hipofiz tümörleri, gliomlar ve meningiomlardan sonra en sık görülen üçüncü primer intrakraniyal neoplazmlardır ve eksize edilen tüm primer beyin neoplazmlarının yaklaşık %10'unu oluşturur. Hipofiz hormonlarının aşırı veya hipo salgılanması, hipofiz sapının daralması veya çevredeki yapılar, özellikle optik kiazma üzerindeki etkiler nedeniyle birçok şekilde ortaya çıkabilirler.

Standart beyin BT taramaları ile karşılaştırıldığında, MRG görüntüleri geniş bir doku kontrast aralığıiçerir 7,8,9. Bu nedenle, düzenli bir otomatik beyin tümörü segmentasyon yönteminin geliştirilmesi, bu hastaların doğru tanı ve tedavisinde son derece önemli olacaktır. Bu nedenle, beyin tümörü segmentasyonu için güvenilir bir otomatik tekniğin geliştirilmesi, bu hastaların uygun şekilde teşhis ve tedavisinde son derece önemli olacaktır. Bu akıllı yöntemler, beyin cerrahlarının ve radyologların tümörün hacmini, şeklini daha iyi değerlendirmesine ve tümör ile bitişik normal dokular arasındaki sınırı daha doğru bir şekilde tanımlamasına yardımcı olacaktır.

Makine öğrenimi, beyin tümörlerinin türünü ve varlığını belirlemek için faydalı olabilir, ancak modelleri öngörücü olduğu için daha fazla insan müdahalesi gerektirir. Buna karşılık, derin öğrenme modelleri, tam otomatik bir tüm algılama sürecinin püf noktası olacak olan sinir ağları nedeniyle özellikleri öğrenebilir ve algılayabilir. Radyologlar için birçok Makine Öğrenimi (ML) yöntemi geliştirilmiştir, böylece MR görüntülerinin tanınması ve sınıflandırılması sırasında onlara olağandışı vizyonlar verilir. Kanser tespiti için tüm modaliteler segmenti arasında en etkili yöntem tıbbi görüntülemedir. Bu metodolojiler, malign neoplazmların tanımlanmasında ve tespit edilmesinde yardımcıdır. Bu metodoloji çok önemlidir çünkü diğer tıbbi uygulamalarla ilişkili invaziv bir yapıya sahip değildir. Prosedürler invaziv değildir 10,11,12. Bu çalışmanın yeniliği, MRI görüntülerini kullanarak beyin tümörlerinin otomatik, doğru ve verimli çok sınıflı kategorizasyonu ve derecelendirilmesi için benzersiz bir DL tabanlı çerçeve sunmasıdır, bu da manuel yorumlama ihtiyacını azaltır.

Yazarlar, nLBP ve LBP özellik ekstraksiyon yaklaşımlarını kullanarak beyin tümörü sınıflandırma modelleri önerdiler. Modeller, en yaygın beyin kanseri türlerini kesin olarak karakterize etti. %95,56'lık maksimum doğruluk, KNN model11 ile nLBPD = 1 öznitelik çıkarma şeması kullanılarak elde edildi. Yazarlar, Derin Öğrenmenin (DL) radyografide klinik dağıtımını araştırdılar ve bu alanda yer alan işlemleri belgelediler13. DL'nin çeşitli klinik alanlardaki klinik etkilerini vurguladılar. DL, bazı radyolojik uygulamalarda tatmin edici sonuçlar göstermiştir, ancak teknoloji olgunlaşmamıştır ve bir radyoloğun teşhis mesleğinin yerini alamaz14. DL algoritmalarını radyologlarla birleştirmek, tanısal etkinliği ve verimliliği artırır. MRG, çeşitli araştırma tasarımları aracılığıyla beyin tümörlerinin sınıflandırılmasında olası uygulaması için çok sayıda araştırmada değerlendirilmiştir.

Afshar ve ark. ana beyin tümörlerinin sınıflandırılması için 3.064 görüntü ile tümör sınırlarının uygulanması yoluyla ilgilenilen yardımcı giriş bölgelerine sahip geliştirilmiş bir CapsNet mimarisi önermiş ve diğer yöntemlere göre %90.89 doğruluk oranına ulaşmıştır15. Gumaei ve ark. RELM kullanarak beyin tümörlerinin sınıflandırılması için hibrid özellik ekstraksiyonuna dayalı bir yöntem önermişlerdir. Yazarlar, min-maks normalleştirme kullanarak beyin görüntüsünü normalleştirdiler ve %94.23'lük bir doğruluk elde etmek için sınıflandırma için RELM'yi kullandılar16. MRG kullanarak segmentasyon ve beyin tümörü sınıflandırması kullanan entegre bir şema Rezaei ve arkadaşları tarafından önerilmiştir. Kullanılan adımlar, gürültünün kaldırılması, Destek Vektör Makinesi (SVM) aracılığıyla segmentasyon, özelliklerin çıkarılması ve DE kullanılarak özellik seçimiydi. Tümör kesitleri WSVM, KNN ve HIK-SVM sınıflandırıcıları kullanılarak sınıflandırıldı. Sınıflandırıcılar, MODE'a dayalı topluluk yöntemleriyle, %92,46'lık bir doğruluk elde etti17. Fouad ve ark. bir beyin tümörünün HDWT-HOG özellik tanımlayıcıları ve özellikleri azaltmak için WOA aracılığıyla bir sınıflandırma önerdi. Yöntemde Torbalama ile topluluk yöntemleri kullanılmıştır. Bagging ile ortalama %96,4 doğruluk elde edildi ve Boost ile elde edilen değer %95,8 oldu18.

Ayadi ve ark. normalizasyon ve gradyan histogramı ile yoğun hızlandırılmış sağlam özellikler, kaliteli görüntü aramayı artırma ve sonuçta ortaya çıkan ayrımcı özellik geliştirme gibi teknikleri kullanarak beyin tümörlerini sınıflandırma sürecini tanıttı. SVM sınıflandırıcı kullanıldı ve değerlendirme veri seti19 ile ilgili doğruluk %90,27'ye varan yüksek bir seviyeye ulaştı. Srujan ve ark. %95.36 sınıflandırma doğruluğu elde etmek için ReLU ve Adam optimizer gibi aktivasyon işlevlerini birleştiren on altı katmanlı bir Evrişimli Sinir Ağı (CNN) DL mimarisi sundu20. Tejaswini ve ark. meningiom, glioma ve hipofiz beyin kanserlerinin tanısı için bir CNN modeli tasarlamış ve bu model %87.16 doğrulama doğruluğu ve %92.79 eğitim doğruluğu elde etmiştir. Tümör alanı ayrıca Otsu eşikleme, bulanık ortalamalar ve havza teknikleri ile segmentlere ayrıldı21. Huang ve ark. beyin kanseri sınıflaması için CNN-BCN'yi sundu. Ağ mimarisi rastgele grafik yöntemi kullanılarak tasarlanmış ve %95,49'a varan hedef doğruluğu elde etmiştir22. Ghassemi ve ark. beyin tümörü görüntülerinin sınıflandırılması için bir DL modeli tasarlamıştır23. GAN ayırt edicileri olarak önceden eğitilmiş ağlar kullanılarak MR görüntülerinden güçlü özellikler ve öğrenme örüntüleri elde edildi. Beş katlı çapraz doğrulamaya dayanan yaklaşım, tam bağlantılı katmanlar için veri artırma ve bırakma gibi tekniklerin yerini alarak %95,6 doğruluğa ulaştı. Deepak ve ark. beyin tümörü görüntülerini sınıflandırmak için SVM ile CNN'yi birleştirdi. Beş katlı çapraz doğrulama protokolü ile test edildikten sonra, otomatik sistem diğer tekniklerden daha üstün olan %95,82 doğruluk elde etti24. Noreen ve ark. beyin kanseri tanımlaması için Xception ve InceptionV3 gibi önceden eğitilmiş ve ince ayarlanmış ağları kullandılar. Bu modeller, InceptionV325 topluluğuyla %94,34 doğruluk elde etmek için RF, SVM ve KNN gibi çok çeşitli makine öğrenimi teknikleri kullandı.

Shaik ve ark. tıbbi görüntü işlemede beyin tümörlerini sınıflandırmış ve kanallar arasındaki zamansal bağlantıları korurken uzay ve çapraz kanal dikkatini birleştirerek tümörleri önceliklendiren bir MANET yaklaşımı sunmuştur. Primer beyin tümörü sınıflandırma görevinde, yaklaşım %96.51 doğruluk elde etti26. Ahmad ve ark. beyin tümörlerini sınıflandırmak için derin bir üretken sinir ağı oluşturdu. Teknoloji, beyin tümörünün MR görüntülerinde %96,25 doğruluk elde etmek için VAE'leri ve GAN'ları kullandı27,28. Beyin tümörü alt tiplerini belirlemek için Alanazi ve arkadaşları tarafından bir DL modeli sunulmuştur. Teknik, birden fazla CNN modeli oluşturmayı ve 22 katmanlı bir CNN modelinin ağırlıklarını ince ayar yapmak için transfer öğrenimini uygulamayı içeriyordu. Model, sırasıyla yüzde 95,75 ve yüzde 96,89 MRG görüntü doğruluğu eldeetti 29,30. Almalki ve ark. dört tip beyin tümörünün ciddiyetini hızlı bir şekilde analiz etmek için MRG'ye bir makine öğrenimi tekniği uyguladı. MRI'ları 8 x 8 piksellik görüntülere bölmek, Gauss ve doğrusal olmayan ölçek özelliklerinin yanı sıra küçük ayrıntıları da çıkarmalarına izin verdi. Önemli özellikler belirlendi, 400 doğrusal olmayan ölçek özelliğine bölündü ve her bir MR görüntüsü ile birleştirildi. SVM sınıflandırıcısını kullandılar ve %95,33 doğruluk elde ettiler31,32. Primer tümörün sınıflandırılması için Kumar ve arkadaşları tarafından InceptionV3, AlexNet ve ResNet50 olmak üzere üç CNN modeli karşılaştırıldı ve veri artırma yöntemleri kullanıldı. AlexNet, özgüllük ve doğruluk açısından diğerlerini geride bırakarak %96,2 puan aldı33.

Ullah ve ark. beyin tümörü teşhisi için daha derin öğrenme modellerini araştırıyor. DeepEBTDNet, DSIHE uygulayarak ve LIME34,35 aracılığıyla yorumlanabilirlik sağlayarak MRG kalitesini artırır. % 99.33 sınıflandırma doğruluğu elde etmek için kullanılan 20 evrişimli katmana sahip TumorResNet, erken beyin tümörü teşhisi ve tedavi planlaması için tutarlı, otomatik bir yöntem sunar36. Beyin tümörü sınıflandırması ve tespiti için Kumar ve ark. tarafından çok sayıda gelişmiş DL mimarisi sunulmuştur. PBTC modeli, %97,8 doğruluk elde etmek için MRI ön işleme, ACLS segmentasyonu ve OHBO için optimize edilmiş HRNN-BiLSTM'yi birleştirir37. Berkeley Dalgacık Dönüşümü ve Gelişmiş Serval Optimizasyona sahip iki kanallı bir CNN, dört tip tümör için %98,8 doğruluğa ulaşır38. Disci ve ark. beyin tümörlerini sınıflandırmak için önceden eğitilmiş DL modellerini değerlendirmek için MRI verilerini kullanır ve Xception39 ile %98.73 doğruluk elde eder.

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 yüksektir.

Bu araştırmada iki farklı veri seti kullanılmıştır. 2005 ve 2010 yılları arasında, ilki Tianjing Tıp Üniversitesi'nin Çin'deki Nanfang Hastanesi ve Genel Hastanesi'nden satın alındı. Tümörü olan 233 bireyin yanı sıra Glioma Grade II ve III'ten T1 ağırlıklı kontrastlı görüntüler koleksiyona dahil edilmiştir. Veri seti, tümör kategorilerinin çok kapsamlı bir dağılımını ve genel veri analizini sunar. Yüksek Dereceli Glioma (HGG) için 1.050 görüntü mevcuttur ve Düşük Dereceli Glioma (LGG) için 375 görüntü vardır, bu da daha ciddi vakalara (HGG) daha fazla dikkat edildiği anlamına gelir.

Şekil 1 , üç beyin tümörü tipine ayrılan MRI taramalarını göstermektedir. Her satır bir tümör türüdür ve her kategori için üç örnek görüntü vardır. Taramalar, eksenel, sagital ve koronal dahil olmak üzere çeşitli yönelimlerde ve görünümlerde farklı özelliklere sahiptir. Glioma örnekleri, beyin dokularına sızan düzensiz yapılara sahiptir. Meningiom örnekleri beynin yüzeyine yakın lokalize kitleler olarak görülür ve hipofiz tümörü örnekleri beynin merkezine yakın bir yerde bulunur. Bu örnekler, tümör görünümünde değişkenlik sunar, böylece tıbbi görüntü analizinde tümörlerin doğru tespiti ve sınıflandırılması için makine öğrenimi modellerinin eğitilmesine yardımcı olur.

figure-protocol-1
Şekil 1: Tümörlerin MRG taramaları. Meningiom, glioma ve hipofiz tümörlerinin eksenel, sagital ve koronal görünümlerde MRI taramaları, farklı görüntüleme özelliklerini vurgular. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Glioma, 6.000'in biraz üzerinde olan en yüksek görüntü sayısına sahiptir. Meningiom yaklaşık 6.000 görüntüye sahipken, Hipofiz neredeyse Meningiom kadar görüntüye sahiptir. Üç kategori arasında neredeyse eşit bir bölünme var gibi görünüyor, bu da tümör tiplerinin her birinin eğitim veya herhangi bir analiz için iyi temsil edildiği anlamına geliyor. Glioma en büyük medyan dosya boyutuna sahiptir, ancak meningiom daha kısıtlı bir aralığa ve daha aykırı değerlere sahiptir. Hipofizin ılımlı varyansı birkaç belirgin aykırı değer içerir. Her kategori gerçekten çok büyük dosya boyutları içerir.

Şekil 2 , üç tümör tipi için görüntü özelliklerinin PCA'sını göstermektedir. Temel bileşen 1, en fazla varyansı yakalar ve hipofizi (sağ küme) diğerlerinden önemli ölçüde ayırır. Gliomlar ve meningiomlar solda üst üste biner, bu da özellik temsillerinin karşılaştırılabilir olduğunu ve ayrılabilirliklerinin azaldığını gösterir.

figure-protocol-2
Şekil 2: Görüntü özelliklerinin PCA'sı. Gliom, meningiom ve hipofiz tümörü sınıflarını ayırt eden ekstrakte edilen özelliklerin temel bileşen analizi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 3'te gösterilen korelasyon ısı haritası, görüntü meta veri öznitelikleri arasındaki ilişkileri gösterir: File_Size, yükseklik ve genişlik. File_Size hem yükseklik (-0.01) hem de genişlik (0.0039) ile çok düşük bir korelasyon göstermektedir.

figure-protocol-3
Şekil 3: Meta verilerin korelasyon ısı haritası. Dosya boyutu, yüksekliği ve genişliği gibi görüntü meta veri öznitelikleri arasındaki ilişkileri gösteren ısı haritası. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Yükseklik ve genişlik de 0.0039 gibi çok düşük bir pozitif korelasyon göstermektedir. Köşegen değerler 1'dir ve her değişkenin kendisiyle mükemmel korelasyonunu gösterir. Genel olarak, öznitelikler çoğunlukla ilişkisizdir, bu da dosya boyutu, görüntü yüksekliği ve genişliği arasında bağımsız farklılıklar anlamına gelir.

Metodoloji ve önerilen mimari
MRI verilerine dayalı olarak beyin tümörlerini sistematik olarak tespit eden, sınıflandıran ve analiz eden bir iş akışı Şekil 4'te temsil edilmektedir. Metodoloji, sağlam tümör tahmini ve sınıflandırması elde etmek için gelişmiş ön işleme, segmentasyon ve DL tekniklerini içerir.

figure-protocol-4
Şekil 4: Önerilen metodolojinin iş akışı. MRI verilerini kullanarak tümör tespiti, sınıflandırması ve analizi için aşamalı iş akışı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

İşlem, bir dizi veri kümesinin (A, B, C ve D olarak gösterilir) entegre edilmesiyle başlar. Ardından, bütünsel veriler elde etmek için veri kümeleri tek bir kapsamlı veri kümesinde birleştirilir. Ayrıca görüntü segmentasyonu, kümeleme ve sınıflandırma amaçları için Brad Veri Kümesini de içerir. Birleştirilmiş veri kümesi, her bir veri kümesindeki ve birleşik dizinlerdeki tüm görüntülerin eklenmesini içerir ve daha fazla analiz ve çok sınıflandırmalı model geliştirme için kapsamlı ve birleşik bir veri kümesi sağlar.

İkinci olarak, verilerin kalitesini ve değişkenliğini iyileştirmede önemli bir adım olan ön işleme tamamlanır. Model performansını ve veri seti çeşitliliğini iyileştirmek için orijinal MRI görüntülerine dokuz büyütme işlemi uygulanır. Görüntüyü ortak bir boyuta yeniden boyutlandırmak bunları uyumlu hale getirir ve RGB'den gri tonlamaya dönüştürme, işlemeyi basitleştirir. Yatay/dikey çevirme sağlamlığı artırır ve yakınlaştırma ile döndürme, farklı görüntüleme koşullarını taklit eder. Sobel filtrelemenin kullanılması, özellik keskinliğini artırır ve gürültü eklenmesi değişkenliği artırır. Keskinliği azaltan maskeleme görüntü keskinliğini artırır ve yükseklik ve genişlik kaydırma konum varyasyonları ekler. Her biri birleştirildiğinde, modelin genelleştirilebilirliğini ve sınıflandırma doğruluğunu geliştirir. Tüm bunlar, modelin geniş bir görüntüleme durumları yelpazesinde genelleştirilmesini garanti eder. Toplam 20.620 MRI görüntüsü vardır ve model geliştirme için kullanılan ön işleme sonrası toplam görüntü 185.580 görüntü verir.

Ardından, birleştirilmiş veri seti, tıbbi görüntülemede yüksek oranda kullanılan U-Net modeli kullanılarak bölümlere ayrılır. Mimari, MRI taramalarından tümör bölgelerini tanımlamak için ince ayarlanmış ve eğitilmiştir. Bu adım, tümörü vurgulayan ve alakasız ayrıntıları ortadan kaldıran maskelenmiş görüntüler üretir. Görüntülerin bölümlere ayrılması, sınıflandırma ve analiz için daha iyi veri girişleri sağlar.

Bir sonraki adımda, bu modeller, görüntüleri farklı sınıflara ayırmak için ince ayar yapılır ve eğitim süresini azaltırken doğruluğu artırmak için aktarım öğreniminden yararlanır. Sınıflandırma için, her biri özel avantajlara sahip bir dizi önceden eğitilmiş derin öğrenme modeli kullanılır. Görüntü kategorizasyonunda kullanım kolaylığı ve verimliliği nedeniyle VGG16 ve VGG19 sıklıkla kullanılmaktadır. Optimum hesaplama verimliliği ile EfficientNetB0 ve EfficientNetB7 üstün performans sunar. ResNet101'in daha derin mimarisi, karmaşık desenleri etkili bir şekilde yakalayarak sınıflandırma doğruluğunu artırır. Daha sonra, eğitimli algoritmaların MRI verilerini dört tümör sınıflandırmasına ayırması ile doğru tanı sağlanır. Glial hücreler, beyin fonksiyonlarını bozan glioma tümörlerinin kaynağıdır. Meningiom tümörleri, beynin ve omuriliğin koruyucu tabakaları olan meninkslerde gelişir. Hipofiz bezi, hormon dengesini ve fizyolojik süreçleri etkileyen hipofiz tümörlerinin yeridir.

Daha sonra, doğru tanıya yardımcı olmak için, tümör derecelerini tahmin etmek için K-En Yakın Komşular (KNN) gibi kümeleme teknikleri kullanılır. Yüksek Dereceli Gliomun (HGG) üçüncü ve dördüncü dereceleri, ciddi tümör gelişimini gösterir. Düşük Dereceli Glioma'nın (LGG) 1. ve 2. dereceleri sırasıyla daha yavaş büyüyen, daha az agresif tümörlerdir. Bu derecelendirme, tümörün agresifliğini belirlemek ve dolayısıyla doğrudan klinik yönetimi belirlemek için gereklidir.

Son olarak, kategorizasyon modellerinin etkinliğini değerlendirmek için, önemli kriterlere göre karşılaştırılırlar. Büyütme ve segmentasyon stratejilerinin model performansını iyileştirip iyileştirmediğini belirlemek için etkileri değerlendirilir. Güvenilirliği ve etkinliği garanti etmek için, performans ayrıca çeşitli veri kümeleri üzerinde incelenir ve sınıflandırma doğruluğu en gelişmiş modellerle karşılaştırılır.

İş akışı, veri hazırlama, ön işleme, segmentasyon, sınıflandırma ve derecelendirmeyi tutarlı bir çerçevede bütünleştirir. En yeni DL yöntemlerinin uygulanması ve titiz ön işleme yoluyla beyin tümörü tespiti ve sınıflandırmasının doğruluğunu artırır. Tümör derecelendirmesinin dahil edilmesi, klinik karar vermeyi daha da destekler ve bunu tümör analizi için kapsamlı bir sistem haline getirir.

figure-protocol-5
Şekil 5: Derin öğrenme çerçevesi. Derin öğrenme modelleri kullanılarak önerilen beyin tümörü sınıflandırma çerçevesi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 5 , derin öğrenme gibi gelişmiş hesaplama tekniklerinin yardımıyla beyin tümörlerini tanımlayan bir tıbbi görüntü sınıflandırma sistemi ile ilgili bir mimaridir. Sınıflandırılmakta olan bir MRI görüntüleri koleksiyonuyla başlar. Böylece, bu sınıflandırma işleminin bel kemiği olacaktır. Ardından, giriş verileri, normalleştirmenin veya yeniden boyutlandırmanın ve görüntü büyütmenin yanı sıra gürültünün giderilmesinin gerçekleştirildiği bir veri ön işleme modülüne girer. Ön işleme, modelin eğitim aşamalarından en iyi şekilde yararlanmak için giriş görüntülerini standartlaştırır. Tüm adım, sonraki hesaplama açısından yoğun aşamalardan geçmeye hazırlanmakla ilgilidir. Ön işleme adımını takiben, veriler öznitelik çıkarma modülüne beslenir. Burada, görüntülerdeki özellikleri tanımlamak için hesaplama tekniklerinin veya modellerinin, belki de CNN'ler gibi DL modellerinin kullanılması sağlanabilir. Çıkarılan özellikler, anormallikleri veya tümör özelliklerini gösteren desenleri içerebilir. Ardından, bu özellik kümesi sınıflandırma modeline girilir. Bunun muhtemelen bir tümörün varlığını veya yokluğunu ve tümör tipini içeren farklı sınıfları ayırt etmeyi amaçlayacağı göz önüne alındığında, model, doğru tahminler için muhtemelen Inception-ResNet-v2 gibi oldukça karmaşık bir mimariye dayanmaktadır. Taranan beyin görüntüsünde bir tümör olup olmadığını belirler. Bu sınıflandırma adımı "Tümör" ve "Tümör Yok" şeklindedir. Bir tümör bulunduğunda, sistem tümör tipini Glioma, Meningioma veya Hipofiz olarak sınıflandırır. Bu türlerin her biri, modelin ayıklanan özellikleri kullanarak tanıdığı özelliklere sahiptir. Tanımlanan tümörler için daha sonra tümörün derecesi belirlenir. Dereceler 1 ile 4 arasında değişir ve tümörün ciddiyetini ve ilerlemesini gösterir. Derece 1 en az agresif, Derece 4 ise en şiddetli olanıdır. Bu sınıflandırma tıbbi tanı ve tedavi planlamasında yardımcı olur. Nihai çıktılar, tümörün yokluğunu veya varlığını ve tipini ve derecesini içerir. Bu tür çıktılar, hastaların bakım ve tedavisinde karar vermeye yönelik klinik uygulamalar için çok değerlidir.

Süreç, tıbbi görüntü analizi ve tümör tiplerinin sınıflandırılması için entegre bir boru hattını temsil eder. Ham verilerden başlayarak, hazırlık verileri, özelliklerin çıkarılması ve sınıflandırma yoluyla art arda devam eder. Sistem gerçekten bir tümörü olup olmadığını belirler, tipini belirtir ve ciddiyetini veya derecesini verir. Daha karmaşık hesaplama biçimlerini kullanan bu boru hattı, beyin tümörlerinde değerlendirmelerin daha hızlı ve daha doğru olabilmesi için tıbbi görüntülemede tanıyı kolaylaştırır. Modüler bir iş akışı, bileşenlerin gelişmiş performans için ayrı ayrı optimize edilebildiği esneklik sağlar.

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
NameCompanyCatalog NumberComments
hızlı MetinFacebook AIYOKKelime gösterimi ve sınıflandırması
Google Ortak ÇalışmasıGoogle'daYOKBulut tabanlı Jupyter Notebook ortamı
Google Colab GPU/TPUGoogle'daYOKBulut tabanlı donanım hızlandırma
Intel Core i5/i7 veya AMD Ryzen 5/7Intel / AMDYOKYerel yürütme için işlemci (gerekirse)
MatplotlibAçık kaynakYOKVeri görselleştirme kitaplığı
NLTKAçık kaynakYOKMetin işleme için Doğal Dil Araç Seti
NumPyAçık kaynakYOKSayısal hesaplama kütüphanesi
NVIDIA GTX 1650 veya üstü (isteğe bağlı)NVIDIAYOKDerin öğrenme görevleri için GPU
PandalarAçık kaynakYOKVeri işleme kitaplığı
Python Python Yazılım VakfıYOKML ve NLP için programlama dili
PyTorchMeta AIYOKDerin Öğrenme çerçevesi
RAM (Minimum 8 GB, 16 GB Önerilir)ÇeşitliYOKML görevleri için bellek gereksinimi
Scikit-öğrenAçık kaynakYOKMakine Öğrenimi kitaplığı
Denizde DoğanAçık kaynakYOKİstatistiksel veri görselleştirme
SpaCyPatlama AIYOKEndüstriyel güçte NLP kitaplığı
SSD Depolama (Minimum 256 GB, 512 GB Önerilir)ÇeşitliYOKVeri kümesi işleme için depolama
TensorFlowGoogle'daYOKDerin Öğrenme çerçevesi

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Kaye, A. H., Laws, E. R. Jr Brain tumors e-book: an encyclopedic approach. , Elsevier Health Sciences. (2011).
  2. Roda, E., Bottone, M. G. Brain cancers: new perspectives and therapies. Front Neurosci. 16, 857408(2022).
  3. Herholz, K., Langen, K. J., Schiepers, C., Mountz, J. M. Brain tumors. Semin Nucl Med. 42 (6), 356-370 (2012).
  4. Van Meir, E. G., et al. Exciting new advances in neuro-oncology: the avenue to a cure for malignant glioma. CA Cancer J Clin. 60 (3), 166-193 (2010).
  5. Bakas, S., et al. Advancing the Cancer Genome Atlas glioma MRI collections with expert segmentation labels and radiomic features. Sci Data. 4 (1), 1-13 (2017).
  6. Khosravanian, A., Rahmanimanesh, M., Keshavarzi, P., Mozaffari, S. Fast level set method for glioma brain tumor segmentation based on superpixel fuzzy clustering and lattice Boltzmann method. Comput Methods Programs Biomed. 198, 105809(2021).
  7. Tang, Z., Ahmad, S., Yap, P. T., Shen, D. Multi-atlas segmentation of MR tumor brain images using low-rank based image recovery. IEEE Trans Med Imaging. 37 (10), 2224-2235 (2018).
  8. Bakas, S., et al. Segmentation labels and radiomic features for the pre-operative scans of the TCGA-LGG collection. TCIA. , (2017).
  9. Chen, G., Li, Q., Shi, F., Rekik, I., Pan, Z. RFDCR: automated brain lesion segmentation using cascaded random forests with dense conditional random fields. NeuroImage. 211, 116620(2020).
  10. Ao, J., et al. Stimulated Raman scattering microscopy enables Gleason scoring of prostate core needle biopsy by a convolutional neural network. Cancer Res. 83 (4), 641-651 (2023).
  11. Kaplan, K., Kaya, Y., Kuncan, M., Ertunç, H. M. Brain tumor classification using modified local binary patterns feature extraction methods. Med Hypotheses. 139, 109696(2020).
  12. Rathi, V. G. P., Palani, S. Brain tumor detection and classification using deep learning classifier on MRI images. Res J Appl Sci Eng Technol. 10 (2), 177-187 (2015).
  13. McBee, M. P., et al. Deep learning in radiology. Acad Radiol. 25 (11), 1472-1480 (2018).
  14. Lu, S., et al. Analysis and design of surgical instrument localization algorithm. Comput Model Eng Sci. 137 (1), 669-685 (2023).
  15. Capsule networks for brain tumor classification based on MRI images and coarse tumor boundaries. Afshar, P., Plataniotis, K. N., Mohammadi, A. ICASSP 2019 IEEE Int Conf Acoust Speech Signal Process, , 1368-1372 (2019).
  16. Gumaei, A., Hassan, M. M., Hassan, M. R., Alelaiwi, A., Fortino, G. A hybrid feature extraction method with regularized extreme learning machine for brain tumor classification. IEEE Access. 7, 36266-36273 (2019).
  17. Rezaei, K., Agahi, H., Mahmoodzadeh, A. A weighted voting classifiers ensemble for the brain tumors classification in MR images. IETE J Res. 68 (5), 3829-3842 (2022).
  18. Moftah, H. M., Hefny, H. A. Brain diagnoses detection using whale optimization algorithm based on ensemble learning classifier. Int J Intell Eng Syst. 13 (2), (2020).
  19. Ayadi, W., Charfi, I., Elhamzi, W., Atri, M. Brain tumor classification based on hybrid approach. Vis Comput. 38 (1), 107-117 (2022).
  20. Srujan, K. S., Shivakumar, S., Sitnur, K., Garde, O., Poornima, P. K. Brain tumor segmentation and classification using CNN model. Brain Sci. 7 (4), (2020).
  21. Tejaswini, G. P., Sreelakshmi, K. Brain tumour detection using deep neural network. Wutan Huatan Jisuan Jishu. 16, 27-40 (2020).
  22. Huang, Z., Du, X., Chen, L., Li, Y., Liu, M., Chou, Y., Jin, L. Convolutional neural network based on complex networks for brain tumor image classification with a modified activation function. IEEE Access. 8, 89281-89290 (2020).
  23. Ghassemi, N., Shoeibi, A., Rouhani, M. Deep neural network with generative adversarial networks pre-training for brain tumor classification based on MR images. Biomed Signal Process Control. 57, 101678(2020).
  24. Deepak, S., Ameer, P. M. Automated categorization of brain tumor from MRI using CNN features and SVM. J Ambient Intell Humaniz Comput. 12 (8), 8357-8369 (2021).
  25. Noreen, N., Palaniappan, S., Qayyum, A., Ahmad, I., Alassafi, M. O. Brain tumor classification based on fine-tuned models and the ensemble method. Comput Mater Contin. 67 (3), (2021).
  26. Shaik, N. S., Cherukuri, T. K. Multi-level attention network: application to brain tumor classification. Signal Image Video Process. 16 (3), 817-824 (2022).
  27. Ahmad, B., Sun, J., You, Q., Palade, V., Mao, Z. Brain tumor classification using a combination of variational autoencoders and generative adversarial networks. Biomedicines. 10 (2), 223(2022).
  28. Uppal, M., et al. Fault pattern diagnosis and classification in sensor nodes using fall curve. Comput Mater Contin. 72 (1), 1799-1814 (2022).
  29. Neha, F. Kidney localization and stone segmentation from a CT scan image. In 2023 7th Int Conf Comput Commun Control Autom (ICCUBEA). , 1-6 (2023).
  30. Alanazi, M. F., et al. Brain tumor/mass classification framework using magnetic-resonance-imaging-based isolated and developed transfer deep-learning model. Sensors. 22 (1), 372(2022).
  31. Uppal, M., et al. A real-time data monitoring framework for predictive maintenance based on the Internet of Things. Complexity. 2023 (1), 9991029(2023).
  32. Almalki, Y. E., et al. Robust Gaussian and nonlinear hybrid invariant clustered features aided approach for speeded brain tumor diagnosis. Life. 12 (7), 1084(2022).
  33. Kumar, K. K., et al. Brain tumor identification using data augmentation and transfer learning approach. Comput Syst Sci Eng. 46 (2), (2023).
  34. Ullah, N., Hassan, M., Khan, J. A., Anwar, M. S., Aurangzeb, K. Enhancing explainability in brain tumor detection: a novel DeepEBTDNet model with LIME on MRI images. Int J Imaging Syst Technol. 34 (1), 23012(2024).
  35. Neha, F., Bhati, D., Shukla, D. K., Dalvi, S. M., Mantzou, N., Shubbar, S. U. U-Net in medical image segmentation: a review of its applications across modalities. arXiv preprint. , (2024).
  36. Ullah, N., Khan, M. S., Khan, J. A., Choi, A., Anwar, M. S. A robust end-to-end deep learning-based approach for effective and reliable BTD using MR images. Sensors. 22 (19), 7575(2022).
  37. Kumar, G. D., Mohanty, S. N. Precise brain tumor classification from MRI images with hybrid recurrent neural network-bidirectional LSTM and humming bird optimization. Cluster Comput. 28 (4), 235(2025).
  38. Gokapay, D. K., Mohanty, S. N. Enhanced MRI-based brain tumor segmentation and feature extraction using Berkeley wavelet transform and ETCCNN. Digit Health. 10, 20552076241305282(2024).
  39. Disci, R., Gurcan, F., Soylu, A. Advanced brain tumor classification in MR images using transfer learning and pre-trained deep CNN models. Cancers. 17 (1), 121(2025).

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

Tags

Brain Tumor ClassificationBrain Tumor SegmentationConvolutional Neural NetworkMagnetic Resonance ImagesDeep Learning ModelU Net SegmentationImage AugmentationTumor GradingInceptionV3 ModelDenseNet201 Model

Related Articles