Research Article

Görüntü Ön İşleme ve Optimize Edici Hassasiyet: Beyin Tümörlerinin Tanısında Konvolüsyonel Sinir Ağları İçin Etkiler

DOI:

10.3791/69459

⸱

February 17th, 2026

 ,  ,  , 
1Gandhi Institute of Technology and Management (GITAM) Deemed to be University, 2Koneru Lakshmaiah Education Foundation, 3Sasi Institute of Technology & Engineering

In This Article

Summary

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

Bu çalışma, sabit bir mimaride ön işleme boru hatlarını ve optimizatörleri değerlendirmek için kontrollü bir çerçeve kullanarak, klasik ön işlemenin optimizatörleri ve Konvolüsyon Sinir Ağlarını (CNN) beyin tümörü sınıflandırmasında nasıl etkilediğini belirlemeyi amaçlamaktadır.

Abstract

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

Manyetik rezonans görüntüleme (MR) kullanılarak beyin tümörü sınıflandırması, tümör boyutu, şekli ve dokusundaki farklılıklar nedeniyle zorluklar yaratmaktadır. Geleneksel görüntü ön işleme yöntemleri girdi kalitesini artırmak için yaygın olarak kullanılsa da, bunların optimize edici davranışı ve CNN performansı üzerindeki etkileri henüz kapsamlı şekilde incelenmemiştir. Bu araştırma, çeşitli optimizatörlerde ön işlemenin yakınsama, genelleştirme ve sınıflandırma doğruluğu üzerindeki etkisini incelemektedir. Kamuya açık bir Kaggle veri setini kullanarak iki ön işleme boru hattı oluşturuyoruz: sadece görüntüleri yeniden boyutlayan bir temel boru hattı ve görüntüleri gri tonlara dönüştüren, bulanıklaştıran ve morfolojik filtreleme uygulayan geleneksel bir boru hattı. Daha sonra bu boru hatlarının üç optimizatoru nasıl etkilediğini test ediyoruz: Adam, Kök Ortalama Kare Yayılımı (RMSProp) ve Stokastik Gradient Iniş (SGD). Protokol değişkenlerini ayırmak için sabit bir CNN mimarisi kullanılır. Performans, doğruluk, hassasiyet, hata ve F1 puanı kullanılarak değerlendirilir ve beş katlı çapraz doğrulama ile doğrulanır. Sonuçlar, temel ön işlemenin tüm optimizatörlerde tutarlı olarak daha yüksek doğruluk ve daha istikrarlı yakınsamaya yol açtığını göstermektedir; RMSProp ve SGD, beş katlı çapraz doğrulama altında %99,53 ortalama doğruluk elde etmektedir. Bulgular, ön işlemenin optimize edici performansı üzerindeki az incelenmiş etkisini ele almakta olup, tıbbi görüntü analizinde sağlamlığı ve yorumlanabilirliği artırmak için ön işlemeye bilinçli eğitim stratejilerinin gerekliliğini vurguluyor.

Introduction

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

Manyetik rezonans görüntüleme (MRI) ile beyin tümörü sınıflandırması, nöro-onkolojide kritik bir görevdir; erken ve doğru teşhis doğrudan tedavi planlamasını ve hasta sonuçlarınıetkiler 1. CNN'ler, ham görüntü verilerinden doğrudan hiyerarşik mekânsal ve dokusal özellikleri öğrenme yetenekleri sayesinde bu süreci otomatikleştirmede baskın yaklaşımhaline geldi 2. Ancak, giriş verilerinin kalitesi model performansının temel belirleyicisi olmaya devam etmektedir. Klasik ön işleme teknikleri—gri tonlama dönüşümü, Gauss bulanıklaştırma, eşik belirleme ve morfolojik işlemler—gürültüyü azaltmak ve yapısal sınırları vurgulamak için rutin olarak uygulanır 3,4,5. Gangadharan ve ark., beyin tümörü tahmini için derin öğrenme modellerinin karşılaştırmalı analizini yapmış, mimariler arasındaki performans değişkenliğini ve veri seti özelliklerinin sonuçların şekillendirilmesinde öneminivurgulamıştır. Qureshi ve ark., çok sınıflı tümör tespiti için ultra hafif bir CNN önerdi; hesaplama verimliliği ve gerçek zamanlı uygulanabilirliği vurgulayarak tanı doğruluğundan ödünvermeden 7. Yapısal görüntülemenin ötesine geçerek, Qureshi ve arkadaşları radyo-genomik sınıflandırmayı çok parametrik MRI taramalarından elde edilen birleşmiş çoklu omik özellikleri kullanarak metilguanin-DNA metiltransferaz (MGMT) promotor metilasyon durumunu tahmin ederek entegre veri modalitelerinin invaziv olmayan tümör profilleme potansiyelinigöstermiştir 8. Her yerde olmalarına rağmen, bu dönüşümlerin CNN eğitim dinamikleri, optimizer davranışı ve yorumlanabilirlik üzerindeki sonraki etkisi hâlâ yeterince araştırılmamıştır.

Beyin tümörü sınıflandırmasındaki son gelişmeler mimari karmaşıklık, segmentasyon-sınıflandırma hibritleri ve transfer öğrenme üzerine odaklanmıştır. Örneğin MultiFeNet, mekânsal temsilini artırmak için çok ölçekli özellikbirleştirme kullanır 9; topluluk modelleri ve 3D CNN'ler ise yüksek güvenilirlik sunarken, hesaplama yükü artımıpahasına 10,11. Destek Vektör Makinesi (SVM) ile dalga geçimi dönüşümü ve hücresel otomata tabanlı kenar algılama gibi hibrit yöntemlerle ilgili son çalışmalar genellikle el yapımı özellikler veya çok aşamalı işlem gerektirir12,13. Dengesiz veri setleri üzerine yapılan karşılaştırmalı araştırmalar, sınıf bazında genellemeyi başarmanın zorluklarınıortaya koymuştur 14. VGG ve ResNet gibi önceden eğitilmiş ağlar kullanılarak yapılan transfer öğrenme yaklaşımları, MRIsınıflandırması 15,16,17'de umut vaat etmiştir; ancak genellikle ön işlemeyi sabit bir üst akış adımı olarak ele alırlar. Bu modeller, girdi dönüşümlerinin optimizatorun yakınsamasını veya anlamsal tutmayı nasıl etkilediğini nadiren izole eder.

Ön işlemeye duyarlı çalışmalar bu boşluğu vurgulamaya başladı. Ivanescu ve ark. aşırı filtrelemenin CNN'nin ince tümör desenlerine duyarlılığını bozabileceğinigöstermiştir 3. Vu ve ark. gri tonlama dönüşümü ve boyutlandırma bağlamsal bilgileri aday göstererek tanı doğruluğunuetkileyebileceğini göstermiştir 4. Hooper ve ark. ise yukarı akış Bilgisayarlı Tomografi (BT) filtrelemesinin performans değişkenliğini tetiklediğini ortaya koymuş, bu da CNN'lerin alan kaymalarına karşı kırılganlığınıvurgulamaktadır 5. Kundu ve ark. segmentasyonu iyileştirmek için Gauss tabanlı yoğunlukdönüşümleri önermiştir 18; ancak optimizatorun hassasiyetini değerlendirmediler. Bu arada, Asiri ve ark. ve Aamir ve ark. beyin tümörü tespiti için CNNhiperparametrelerini optimize ettiler 16,17; Adam'ın ön işlem değişikliklerine nasıl yanıt verdiğini analiz etmeden üstün performansını belirttiler. Gradient ağırlıklı Sınıf Aktivasyon Haritalama (Grad-CAM) ve SHapley Additive açıklamaları (SHAP) gibi açıklanabilirlik araçları, sınıf ayırıcı bölgeleri görselleştirerek CNN karar alma anlayışımızıgeliştirmiştir 19,20. Bu yöntemler, ön işlemenin anlamsal kalıcılığı iyileştirip bozmadığını doğrulamak için gereklidir.

Ancak, ön işlemenin sabit bir mimaride optimize edicilerin yakınsamasını, genelleştirmesini ve yorumlanabilirliğini nasıl etkilediğini sistematik olarak inceleyen çok az çalışma vardır - bu hem klinik hem de hesaplama açısından anlamlıdır. Klinik olarak, aşırı yumuşatma veya yoğunluk dönüşümleri, tanı açısından önemli doku ve mekansal gradyanları zayıflatabilir, lokalizasyon sakatliliğini ve klinisyenlerin güvenini azaltabilir. Hesaplamalı olarak, optimizatörler özellik ölçeği ve gradyan varyansındaki değişikliklere farklı tepki verir; Giriş karmaşıklığı ile optimizator dinamikleri arasındaki uyumsuzluklar, kararsız yakınsamaya veya daha zayıf genellemeye yol açabilir.

Bunu çözmek için, temel (sadece yeniden boyutlandırma) ve geleneksel ön işleme boru hatlarını üç optimizator — Adam, RMSProp ve SGD — arasında sistematik olarak karşılaştıran çift yollu bir çerçeve sunuyoruz; bu, tutarlı bir CNN mimarisi ve BR35H Kaggleveri seti 21 kullanılıyor. Sınıflandırma performansını, yakınsama hızını ve yorumlanabilirliğini, beş kat çapraz doğrulama ile doğrulanan Grad-CAM kullanarak değerlendiriyoruz. Mimari ve ön işleme değişikliklerini birleştiren önceki çalışmaların aksine, bu protokol ön işlemeyi bağımsız bir değişken olarak izole eder ve agresif filtrelemenin optimizatorun performansını ve mekansal dikkati engelleyebileceğini ortaya koyar.

Burada sunulan çerçeve, mevcut modellere göre çeşitli avantajlar sunar. İlk olarak, ön işleme stratejileri ile optimizatörler arasındaki etkileşimleri açıkça değerlendirir; bu boyut topluluk ve transfer öğrenme çalışmalarındasıklıkla gözden kaçırılır 15,16,17. İkincisi, sabit bir CNN mimarisi korur; böylece yeniden yapılandırmanın genellikle pratik olmayan olduğu gerçek dünya dağıtım kısıtlamalarını simüleeder 22. Üçüncü olarak, görsel atıflama yöntemlerini entegre ederek anlamsal kırılmayı değerlendirir ve radyomik ve el yapımı özellik çalışmaları üzerine önceki çalışmalarıtamamlar. Son olarak, çerçeve ön işleme farkında eğitim stratejilerine dair tekrarlanabilir içgörüler sunar ve böylece hem sağlamlığı hem de yorumlanabilirliği artırır.

Ön işlemeyöntemleri 3,4,5, optimizer çalışmaları 16,17 ve açıklanabilirlik araçları 19,20'den alınan içgörülerin sentezlenmesiyle, bu çalışma beyin tümörü sınıflandırması için doğruluk, istikrar ve klinik önemi dengeleyen pratik ve yorumlanabilir bir ürün hattı sunar.

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

Protocol

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

Şekil 1 , Protokol iş akışının genel bir görünümünü göstermektedir. Bu çalışma, klasik görüntü ön işlemenin CNN'lerin performansı üzerindeki etkisini ve MRI kullanılarak beyin tümörü sınıflandırmasında optimize edicilerin davranışını incelemektedir. Protokol, veri seti hazırlama, çift yol ön işleme boru hatları, model mimarisi, optimizator yapılandırması, performans değerlendirmesi ve yorumlanabilirlik doğrulamasını kapsar. Tüm deneyler, Keras sürüm 2.13.1 ile TensorFlow backend, OpenCV sürüm 4.8.0 ve Matplotlib sürüm 3.8.0 kullanılarak Python 3.10.12'de yürütüldü.

Veri seti hazırlama
Kaggle21'den alınan BR35H beyin tümörü MRI veri seti kullanıldı; bu çalışmada tümör mevcut ("evet") ve tümör olmayan ("hayır") sınıflarına eşit şekilde bölünmüş 3.000 görüntüden oluştu. Tüm görüntüler, girişi boyutlarını deneyler arasında standartlaştırmak için OpenCV'nin cv2.resize fonksiyonu kullanılarak 128 × 128 piksele yeniden boyutlandırıldı. Scikit-learn'in train_test_split ile katmanlı örnekleme, eğitim seti (%80) ve doğrulama seti (%20) arasında dengeli temsil sağladı ve böylece her katman boyunca sınıf dağılımında tutarlılık korundu.

BR35H kamu veri setine ek olarak, bu protokolü Ultralytics Beyin Tümörü Veri Seti (https://docs.ultralytics.com/datasets/detect/brain-tumor/)'dan toplanan bağımsız bir veri seti kullanarak doğruladık. Bu veri seti, 878 görüntüden oluşan geçerli bir eğitim seti ve 223 görüntüden oluşan bir test setinden oluşur; iki net tanımlanmış sınıf vardır: Negatif (beyin tümörü olmayan görüntüler) ve Pozitif (beyin tümörlü görüntüler). Bu bağımsız veri setinin dahil edilmesi, orijinal kaynak verilerin ötesinde çerçevenin genellenebilirliğini ve sağlamlığını daha fazla değerlendirmemize olanak sağladı.

Ön işleme boru hatları
Klasik görüntü ön işlemenin etkisini değerlendirmek için iki ayrı ön işleme boru hattı uygulandı. Baseline Preprocessing (BP) boru hattı, görüntüleri daha fazla dönüşüm yapmadan 128 × 128 piksele boyutlandırarak ham piksel yoğunluğunu ve yapısal özellikleri kontrol koşuluyla korur. Geleneksel Ön İşleme (TP) boru hattı, OpenCV fonksiyonlarını kullanarak klasik görüntü işleme adımlarını uyguladı: kanal boyutunu azaltmak için gri tonlu dönüşüm (cv2.cvtColor), Gauss bulanıklaştırma (cv2. GaussianBlur) gürültüyü bastırmak vekontrastı artırmak için 24, yüksek yoğunluklu yapıları segmentlemek için eşik (cv2.eşik) 25, kenarları arinlaştırmak ve artefaktları azaltmak için morfolojik işlemler (cv2.erode, cv2.dilate) ve ilgi çekici bölgeleri belirlemek için kontur tespiti (cv2.findContours) ile dikkat çeken bölgeleri tespit etmek için kullanılır. Bu pipeline kontrastı artırdı ve görsel karmaşayı azalttı, ancak tanı açısından ilgili dokuyu bastırma riski taşıyordu.

Model mimarisi
Ön işleme ve optimizator seçiminin etkilerini izole etmek için tüm deneylerde sabit tutulan özel bir CNN uygulandı. Mimari, bir giriş katmanından (128 × 128 × 1), üç konvolüsyon katmandan (ilki 32 filtre, diğeri iki katman 64 filtre ile, hepsi 2 × 2 çekirdek ve Doğrultu Doğrusal Birim (ReLU) aktivasyonu kullanıyordu), her biri 2 × 2 maksimum havuzlamadan oluşuyordu. Çıktı düzleştirilerek ReLU aktivasyonuyla 128 birimlik yoğun bir katmandan geçti, ardından bir dropout katmanı (oran = 0.5) ve son olarak ikili sınıflandırma için tek bir sigmoid birim geldi. Bu tasarım, yorumlanabilirlik ile hesaplama verimliliği arasında bir denge kurarak kaynak kısıtlı klinik donanım için uygun hale getirir.

Optimizer configuration
Sabit hiperparametrelerle üç optimizator değerlendirildi: Adam (öğrenme oranı = 0.001, β1 = 0.9, β2 = 0.999, epsilon = 1e−07), RMSProp (öğrenme oranı = 0.001, rho = 0.9, epsilon = 1e−07) ve SGD (öğrenme oranı = 0.005, momentum = 0.9, Nesterov devre dışı bırakıldı). Deneyler boyunca eğitim parametreleri sabit tutuldu; aşırı uyumu önlemek için Keras geri çağırmalarıyla 32, 50 dönem ve erken durma (sabır = 10) parti büyüklüğü uygulandı.

Performans değerlendirmesi
Performans, doğruluk, hassasiyet, hatırlama ve F1 puanı kullanılarak Scikit-learn'in classification_report ile değerlendirildi. Matplotlib ile eğitim ve doğrulama kayıp eğrileri, yakınsama hızını değerlendirmek ve aşırı uyumu tespit etmek için çizildi. Sonuçlar, optimize edicinin farklı ön işlem koşullarında hassasiyetini karşılaştırmak için tablolandı ve görselleştirildi.

Yorumlanabilirlik doğrulaması
Yorumlanabilirlik, son konvolüsyon katmandan üretilen Grad-CAM görselleştirmeleri kullanılarak doğrulandı. Isı haritaları Keras ve TensorFlow fonksiyonlarıyla oluşturuldu ve ardından Matplotlib kullanılarak orijinal MRI görüntülerinin üzerine bindirildi. Bu adım, CNN'in mekânsal dikkatinin klinik açıdan ilgili tümör bölgeleriyle uyumlu olmasını sağlayarak şeffaflık ve tanı güvenini destekledi.

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

Results

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

Adam optimizer - Baseline preprocessing:
Şekil 2, Adam optimizer'i kullanarak başlangıç ön işleme ile bir beyin tümörü sınıflandırma modelinin performansını göstermektedir. Karışıklık matrisi, tümör ve tümör olmayan vakalar arasında neredeyse mükemmel bir ayrım gösteriyor; 600 örnekten sadece 8'i yanlış sınıflandırma bulunuyor. Eşlik eden sınıflandırma raporu, her iki sınıf için de hassasiyet, geri çağırma ve F1 puanlarıyla her iki sınıf...

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

Discussion

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

Bu çalışmada CNN tabanlı beyin tümörü sınıflandırmasının başarısı esas olarak iki protokol bileşeniyle şekillendi: ön işleme tasarımı ve optimizator seçimi. Yalnızca görüntü boyutlandırmasından oluşan temel ön işleme yerel piksel yoğunluğunu ve mekansal yapıyı koruyarak modelin klinik olarak ilgili özellikleri öğrenmesini sağladı. Buna karşılık, geleneksel ön işleme yöntemleri (gri tonlu dönüşüm, Gauss bulanıklığı, eşik belirleme ve morfolojik işlemler gibi) özellik soyutlama (özellik so...

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

Disclosures

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

Yazarların açıklayacak hiçbir şeyi yok.

Acknowledgements

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

Yazarlar, araştırma ve geliştirme konusundaki sürekli destek ve teşvikleri için GITAM Üniversitesi, Liderlik ekibi, Dekan ve Visakhapatnam kampüsü Bilgisayar Bilimleri ve Mühendisliği Bölüm Başkanı'na içten teşekkürlerini ve teşekkürlerini iletmektedir.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
API WrapperKeras2.13.1(RRID:SCR_016345)CNN mimarisi ve eğitimi için yüksek seviyeli API
Atıflama AracıGrad-CAM UygulamasıÖzel (Keras aracılığıyla)CNN'in ilgisinin görsel açıklaması
BR35H Beyin Tümörü MRI Veri Seti  Kagglehttps://www.kaggle.com/ahmedhamada0/brain-tumor-detectionSınıflandırma için etiketlenmiş MRI görüntülerinin kaynağı 
Beyin Tümörü Veri Seti Ultralitiklerhttps://docs.ultralytics.com/datasets/detect/brain-tumor/
Derin Öğrenme KütüphanesiTensorFlow2.15.0 (RRID:SCR_018345)CNN model uygulaması için arka uç
Görüntü İşlemeOpenCV4.8.0 (RRID:SCR_015526)Ön işleme: gri ton, bulanıklık, eşik, morfoloji
Programlama DiliPython3.10.12 (RRID:SCR_008394)Tüm deneyler için yürütme ortamı
GörselleştirmeMatplotlib3.8.0 (RRID:SCR_008624)Kayıp eğrilerinin ve Grad-CAM örtülerinin çizilmesi

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Devkota, B., et al. Image segmentation for early stage brain tumor detection using mathematical morphological reconstruction. Procedia Comput Sci. 125, 115-123 (2018).
  2. Antony, A., Minla, K. S. Brain tumor detection from MRI images using CNN. Int J Creat Res Thoughts. 10 (4), 95-100 (2022).
  3. Ivanescu, R. C. A statistical evaluation of the preprocessing medical images impact on a deep learning network's performance. Ann Univ Craiova Math Comput Sci Ser. 49 (2), 411-421 (2022).
  4. Vu, H. A. Integrating preprocessing methods and convolutional neural networks for effective tumor detection in medical imaging. arXiv. , (2024).
  5. Hooper, S. M., et al. Impact of upstream medical image processing on downstream performance of a head CT triage neural network. Radiol Artif Intell. 3 (4), e200229(2021).
  6. Comparative analysis of deep learning-based brain tumor prediction models using MRI scan. Gangadharan, S. M. P., et al. 2023 3rd International Conference on Innovative Sustainable Computational Technologies (CISCT), Dehradun, India, , (2023).
  7. Qureshi, S. A., et al. Intelligent ultra-light deep learning model for multi-class brain tumor detection. Appl Sci. 12 (8), 1-22 (2022).
  8. Qureshi, S. A., et al. Radiogenomic classification for MGMT promoter methylation status using multi-omics fused feature space for least invasive diagnosis through mpMRI scans. Sci Rep. 13, 3291(2023).
  9. Agrawal, T., et al. MultiFeNet: multi-scale feature scaling in deep neural network for the brain tumour classification in MRI images. Int J Imaging Syst Technol. 34 (1), 1-15 (2023).
  10. Brain tumor detection using U-Net and 3D CNN architecture. Ghanshala, A., et al. 2022 International Conference on Computing, Communication, and Intelligent Systems (ICCCIS), Greater Noida, India, , (2022).
  11. Medical image denoising and brain tumor detection using CNN and U-Net. Shivahare, B. D., et al. 2023 3rd International Conference on Innovative Sustainable Computational Technologies (CISCT), , Dehradun, India. (2023).
  12. Kumar, S., et al. Enhancing brain tumor segmentation using Berkeley wavelet transformation and improved SVM. Open Bioinform J. 18, e18750362358232(2025).
  13. Cellular automata based edge-detection for brain tumor. Diwakar, M., Patel, P. K., Gupta, K. 2013 International Conference on Advances in Computing, Communications and Informatics (ICACCI, Mysore, India, , (2013).
  14. Agrawal, T., et al. A comparative study of brain tumor classification on unbalanced dataset using deep neural networks. Biomed Signal Process Control. 94, 106256(2024).
  15. Khan, M. A., et al. Transfer learning for accurate brain tumor classification in MRI: a step forward in medical diagnostics. Discov Onc. 16, 1040(2025).
  16. Asiri, A. A., et al. Enhancing brain tumor diagnosis: an optimized CNN hyperparameter model for improved accuracy and reliability. PeerJ Comput Sci. 10, e1878(2024).
  17. Aamir, M., et al. Brain tumor detection and classification using an optimized convolutional neural network. Diagnostics. 14 (16), 1714(2024).
  18. Kundu, S., Das, B., Balas, V. E. Data conditioning to improve segmentation of brain MRI using CNN. Computer Vision and Image Processing. CVIP 2024. Communications in Computer and Information Science. , Springer. Cham. (2025).
  19. Grad-CAM: visual explanations from deep networks via gradient-based localization. Selvaraju, R. R., et al. 2017 IEEE International Conference on Computer Vision (ICCV), Venice, Italy, , (2017).
  20. Iftikhar, S., et al. Explainable CNN for brain tumor detection and classification through XAI based key features identification. Brain Inform. 12, 10(2025).
  21. BR35H: brain tumor detection 2020. , Kaggle Dataset. https://www.kaggle.com/ahmedhamada0/brain-tumor-detection (2021).
  22. Zhang, D., et al. Neural networks-based fixed-time control for a robot with uncertainties and input dead zone. Neurocomputing. 390, 139-147 (2020).
  23. Tabassum, M., et al. Radiomics and machine learning in brain tumors and their habitat: a systematic review. Cancers. 15 (15), 3845(2023).
  24. Gonzalez, R. C., Woods, R. E. Digital Image Processing. , Pearson. Upper Saddle River, NJ. (2008).
  25. Otsu, N. A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern. 9 (1), 62-66 (1979).
  26. Haralick, R. M., et al. Image analysis using mathematical morphology. IEEE Trans Pattern Anal Mach Intell. 9 (4), 532-550 (1987).
  27. Esteva, A., et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 542, 115-118 (2017).
  28. Tjoa, E., Guan, C. A survey on explainable artificial intelligence (XAI): toward medical XAI. IEEE Trans Neural Netw Learn Syst. 32 (11), 4793-4813 (2021).
  29. Maier-Hein, L., et al. Metrics reloaded: recommendations for image analysis validation. Nat Methods. 21 (2), 195-212 (2024).
  30. Pineau, J., et al. Improving reproducibility in machine learning research. J Mach Learn Res. 22 (164), 1-20 (2021).
  31. Yaqub, M., et al. State-of-the-art CNN optimizer for brain tumor segmentation in magnetic resonance images. Brain Sci. 10 (7), 1-20 (2020).

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 ClassificationImage PreprocessingConvolutional Neural NetworksMRI Brain TumorsOptimizer SensitivityCNN PerformanceRMSProp OptimizerStochastic Gradient DescentFive Fold Cross ValidationMedical Image Analysis

Related Articles