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

Manikanta Manohar Pattisapu; Suraj Aravind B.; V. Venkateswara Rao P.; V. N. Chandra Sekhar A.

doi:10.3791/69459

Research Article

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

DOI:

10.3791/69459

⸱

February 17th, 2026

Manikanta Manohar Pattisapu¹ , Suraj Aravind B.¹ , V. Venkateswara Rao P.² , V. N. Chandra Sekhar A.³

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

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 sonuçlarını^{etkiler 1}. CNN'ler, ham görüntü verilerinden doğrudan hiyerarşik mekânsal ve dokusal özellikleri öğrenme yetenekleri sayesinde bu süreci otomatikleştirmede baskın yaklaşım^{haline 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....

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....

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
Name	Company	Catalog Number	Comments
API Wrapper	Keras	2.13.1(RRID:SCR_016345)	CNN mimarisi ve eğitimi için yüksek seviyeli API
Atıflama Aracı	Grad-CAM Uygulaması	Özel (Keras aracılığıyla)	CNN'in ilgisinin görsel açıklaması
BR35H Beyin Tümörü MRI Veri Seti	Kaggle	https://www.kaggle.com/ahmedhamada0/brain-tumor-detection	Sınıflandırma için etiketlenmiş MRI görüntülerinin kaynağı
Beyin Tümörü Veri Seti	Ultralitikler	https://docs.ultralytics.com/datasets/detect/brain-tumor/
Derin Öğrenme Kütüphanesi	TensorFlow	2.15.0 (RRID:SCR_018345)	CNN model uygulaması için arka uç
Görüntü İşleme	OpenCV	4.8.0 (RRID:SCR_015526)	Ön işleme: gri ton, bulanıklık, eşik, morfoloji
Programlama Dili	Python	3.10.12 (RRID:SCR_008394)	Tüm deneyler için yürütme ortamı
Görselleştirme	Matplotlib	3.8.0 (RRID:SCR_008624)	Kayıp eğrilerinin ve Grad-CAM örtülerinin çizilmesi

References

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

Devkota, B., et al. Image segmentation for early stage brain tumor detection using mathematical morphological reconstruction. Procedia Comput Sci. 125, 115-123 (2018).
Antony, A., Minla, K. S. Brain tumor detection from MRI images using C....

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

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

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles