Tümör Tanılı Farklı Sekans Manyetik Rezonans Görüntülerinin Derin Öğrenme Modelleri ile Sınıflandırılması
Yükleniyor...
Dosyalar
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/embargoedAccess
Özet
Beyin tümörü, beynin çeşitli bölgelerinde hücrelerin anormal büyümesi ve çoğalması sonucu oluşan kitlelerdir. İyi huylu ve kötü huylu olarak ikiye ayrılan bu tümörlerin, erken ve doğru teşhisi hastanın hayatının devamlılığı için önemlidir. Hastaya ait farklı sekans MR görüntüleri ile beyin tümörü teşhisi yapılabilmektedir. Tedavi süreci ve şekli uzman doktorun kontrolünde gerçekleşmektedir. MR görüntülerinin analizi uzun zaman almakta ve uzman radyologlar tarafından yapılmaktadır. Bilgisayar tabanlı karar destek sistemi ile görüntülerin analiz süresinin kısaltılması ve hata oranının en aza indirilmesi amaçlanarak bu alanda çalışmalar yapılmaktadır. Bu tez çalışmasında, farklı derin öğrenme modelleri ile BRATS 2019 veri setinde yer alan MR görüntüleri kullanılarak 3 farklı senaryoda sınıflandırma uygulamaları yapılmıştır. 3 sınıf çıkışlı sınıflandırmada FLAIR, T1, T1CE ve T2 ağırlıklı MR görüntüleri HGG, LGG, normal olmak üzere 3 sınıfa ayrılmıştır. 4 sınıf çıkışlı sınıflandırmada ise HGG, LGG ve normal MR görüntüleri içerisinde o dereceye ait 4 modalite görüntüleri bulunmaktadır. 12 sınıf çıkışlı sınıflandırmada, tüm modalite ve dereceye sahip MR görüntüleri aynı anda sisteme verilmektedir. Eğitimler, AlexNet, GoogleNet, ShuffleNet, SqueezeNet ve InceptionV3 derin öğrenme modelleri ile transfer öğrenme yöntemi kullanılarak gerçekleştirilmiştir. Eğitimlerin tümünde aynı hiper parametre değerleri kullanılarak eğitim süreleri ve performansları karşılaştırılmıştır. Veri seti 80 eğitim, 20 test olarak ayrılmış ve 5-kat çapraz doğrulama uygulanmıştır. 3 sınıf çıkışlı modellerin performans kriterleri değerlendirildiğinde, FLAIR modalitesinde kesinlik 0,9976 0.0014, duyarlılık 0,9977 0.0014, özgüllük 0,9988 0.0007, doğruluk 0,9976 0.0014 ve F1 puanı 0,9976 0.0014 ile en yüksek performansı AlexNet modeli vermiştir. AlexNet modeli eğitimi toplamda 13 dk 44 sn sürmüştür. 4 sınıf çıkışlı eğitimlerin sonucunda 0,9968 0.0019 ile en yüksek doğruluk değerini LGG dereceli görüntülerde InceptionV3 modeli vermiştir. Diğer performans değerleri 0,9967 0.0020 kesinlik, 0,9967 0.0021 duyarlılık, 0,9989 0.0006 özgüllük ve 0,9967 0.0020 F1 puanıyla yüksek başarı göstermiştir. Eğitim süresi 3 saat 12 dk 14 sn ile en fazla eğitim süresine sahiptir. 12 sınıf çıkışlı sınıflandırmada ise AlexNet modelinde 0,9840 0.0036 doğruluk, 0,9843 0.0035 kesinlik, 0,9841 0.0033 duyarlılık, 0,9985 0.0003 özgüllük ve 0,9842 0.0034 F1 puanı ile tüm performans kriterlerinde en yüksek değerler elde edilerek eğitim 1 s 13 dk 29 sn sürmüştür. Tümör tanılı farklı sekans manyetik rezonans görüntülerinin derin modelleri ile sınıflandırılması güçlü bir bilgisayarlı karar destek sistemi için yüksek doğruluk oranları vermiştir.
Brain tumors are masses formed as a result of abnormal growth and proliferation of cells in various parts of the brain. Early and accurate diagnosis of these tumors, which are divided into benign and malignant, is important for the continuity of the patient's life. Brain tumor diagnosis can be made with different sequence MR images of the patient. The treatment process and method are carried out under the control of the specialist doctor. Analysis of MR images takes a long time and is done by expert radiologists. With the computer-based decision support system, studies are carried out in this area to reduce the analysis time of the images and minimize the error rate. In this thesis, classification applications were made in 3 different scenarios by using different deep learning models and MR images in the BRATS 2019 dataset. In the classification with 3-class output, FLAIR, T1, T1CE, and T2-weighted MR images are divided into 3 classes HGG, LGG, and normal. In the classification with 4-class outputs, there are 4 modality images of that degree within the HGG, LGG, and normal MR images. In the 12-class output classification, MR images with all modalities and degrees are given to the system at the same time. With AlexNet, GoogleNet, ShuffleNet, SqueezeNet, and InceptionV3 deep learning models, the training was carried out using the transfer learning method. Training times and performances were compared by using the same hyperparameter values in all training The data set was divided as 80 training 20 test and 5-fold cross-validation was applied. When the performance values of the models with 3-class output are examined, the AlexNet model has the highest performance with the FLAIR modality precision 0.9976 0.0014, sensitivity 0.9977 0.0014, specificity 0.9988 0.0007, accuracy 0.9976 0.0014, and F1 score of 0.9976 0.0014. has given. AlexNet model training took a total of 13 minutes and 44 seconds. As a result of training with 4-class output, the InceptionV3 model gave the highest accuracy value with 0.9968 0.0019 in LGG graded images. Other performance values showed high success with 0.9967±0.0020 precision, 0.9967 0.0021 sensitivity, 0.9989 0.0006 specificity, and 0.9967 0.0020 F1 score. The training time has the maximum training time of 3 hours 12 minutes 14 seconds. In the 12- output classification, the AlexNet model achieved the highest values in all performance criteria with 0.9840 0.0036 accuracy, 0.9843 0.0035 precision, 0.9841 0.0033 sensitivity, 0.9985 0.0003 specificity, and 0.9842 0.0034 F1 score. The training took 1 hour 13 minutes 29 seconds. Classification of tumor diagnosed different sequence magnetic resonance images with deep models yielded high accuracy rates for a powerful computerized decision support system.
Brain tumors are masses formed as a result of abnormal growth and proliferation of cells in various parts of the brain. Early and accurate diagnosis of these tumors, which are divided into benign and malignant, is important for the continuity of the patient's life. Brain tumor diagnosis can be made with different sequence MR images of the patient. The treatment process and method are carried out under the control of the specialist doctor. Analysis of MR images takes a long time and is done by expert radiologists. With the computer-based decision support system, studies are carried out in this area to reduce the analysis time of the images and minimize the error rate. In this thesis, classification applications were made in 3 different scenarios by using different deep learning models and MR images in the BRATS 2019 dataset. In the classification with 3-class output, FLAIR, T1, T1CE, and T2-weighted MR images are divided into 3 classes HGG, LGG, and normal. In the classification with 4-class outputs, there are 4 modality images of that degree within the HGG, LGG, and normal MR images. In the 12-class output classification, MR images with all modalities and degrees are given to the system at the same time. With AlexNet, GoogleNet, ShuffleNet, SqueezeNet, and InceptionV3 deep learning models, the training was carried out using the transfer learning method. Training times and performances were compared by using the same hyperparameter values in all training The data set was divided as 80 training 20 test and 5-fold cross-validation was applied. When the performance values of the models with 3-class output are examined, the AlexNet model has the highest performance with the FLAIR modality precision 0.9976 0.0014, sensitivity 0.9977 0.0014, specificity 0.9988 0.0007, accuracy 0.9976 0.0014, and F1 score of 0.9976 0.0014. has given. AlexNet model training took a total of 13 minutes and 44 seconds. As a result of training with 4-class output, the InceptionV3 model gave the highest accuracy value with 0.9968 0.0019 in LGG graded images. Other performance values showed high success with 0.9967±0.0020 precision, 0.9967 0.0021 sensitivity, 0.9989 0.0006 specificity, and 0.9967 0.0020 F1 score. The training time has the maximum training time of 3 hours 12 minutes 14 seconds. In the 12- output classification, the AlexNet model achieved the highest values in all performance criteria with 0.9840 0.0036 accuracy, 0.9843 0.0035 precision, 0.9841 0.0033 sensitivity, 0.9985 0.0003 specificity, and 0.9842 0.0034 F1 score. The training took 1 hour 13 minutes 29 seconds. Classification of tumor diagnosed different sequence magnetic resonance images with deep models yielded high accuracy rates for a powerful computerized decision support system.
Açıklama
18.09.2022 tarihine kadar kullanımı yazar tarafından kısıtlanmıştır.
Anahtar Kelimeler
Beyin tümörü, Derin öğrenme, Modalite, Sınıflandırma, Transfer öğrenme, Brain tumor, Classification, Deep learning, Modality, Transfer learning
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Doğanalp, T. (2022). Tümör tanılı farklı sekans manyetik rezonans görüntülerinin derin öğrenme modelleri ile sınıflandırılması. (Yayınlanmamış Yüksek Lisans Tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü, Biyomedikal Mühendisliği Anabilim Dalı, Konya.
