Performance Comparison of Different Pre-TrainedDeep Learning Models in Classifying Brain MRIImages

Beyin MR Görüntülerini Sınıflandırmada Farklı Önceden Eğitilmiş Derin Öğrenme Modellerinin Performans Karşılaştırması

Abstract

A brain tumor is a collection of abnormal cells formed as a result of uncontrolled cell division. If tumors arenot diagnosed in a timely and accurate manner, they can cause fatal consequences. One of the commonlyused techniques to detect brain tumors is magnetic resonance imaging (MRI). MRI provides easy detectionof abnormalities in the brain with its high resolution. MR images have traditionally been studied andinterpreted by radiologists. However, with the development of technology, it becomes more difficult tointerpret large amounts of data produced in reasonable periods. Therefore, the development of computerizedsemi-automatic or automatic methods has become an important research topic. Machine learning methodsthat can predict by learning from data are widely used in this field. However, the extraction of image featuresrequires special engineering in the machine learning process. Deep learning, a sub-branch of machinelearning, allows us to automatically discover the complex hierarchy in the data and eliminates the limitationsof machine learning. Transfer learning is to transfer the knowledge of a pre-trained neural network to asimilar model in case of limited training data or the goal of reducing the workload. In this study, theperformance of the pre-trained Vgg-16, ResNet50, Inception v3 models in classifying 253 brain MR imageswere evaluated. The Vgg-16 model showed the highest success with 94.42% accuracy, 83.86% recall, 100%precision and 91.22% F1 score. This was followed by the ResNet50 model with an accuracy of 82.49%.Thefindings obtained in this study were compared with similar studies in the literature and it was found that itshowed higher success than most studies.

Özet

Beyin tümörleri, beyin hücrelerinin kontrolsüz bölünmeleri sonucu meydana gelen kitlelerdir. Tümörlerzamanında ve doğru teşhis edilmezlerse ölümcül sonuçlara neden olabilir. Beyin tümörlerini tespit etmedeyaygın olarak kullanılan tekniklerden biri olan MRI’dir. MRI, sağladığı yüksek çözünürlük ile beyindekianormalliklerin kolay tespitine imkân verir. MR görüntüleri geleneksel olarak radyologlar tarafındanincelenip yorumlanır. Ancak teknolojinin gelişmesi ile birlikte üretilen çok miktarda veriyi makul sürelerdeyorumlamak daha zor hale gelmektedir. Bu nedenle bilgisayarlı yarı otomatik ya da otomatik yöntemleringeliştirilmesi önemli bir araştırma konusu haline gelmiştir. Verilerden öğrenerek tahmin yapabilen makineöğrenmesi yöntemleri bu alanda yaygın olarak kullanılmaktadır. Ancak makine öğrenmesi için görüntüözelliklerinin çıkarımı özel bir mühendislik gerektirir. Makine öğrenmesinin bir alt dalı olan derin öğrenme,veri içerisindeki karmaşık hiyerarşiyi otomatik olarak keşfetmeye imkân sağlar ve makine öğrenmesininsınırlılıklarını ortadan kaldırır. Transfer öğrenme ise eldeki eğitim verisinin az olması halinde ya da işyükünü azaltmak için daha önceden eğitilmiş bir derin sinir ağının bilgilerinin benzer başka bir modeleaktarılmasıdır. Bu çalışmada önceden eğitilmiş Vgg-16, ResNet50 ve Inception v3 modellerinin sınıflamadakiperformansları değerlendirilmiştir. Vgg-16 modeli %94.42 doğruluk, %83.86 recall, %100 precision ve%91.22 F1 skoru ile en yüksek başarıyı göstermiştir. Bunu %82.49 doğrulukla ResNet50 modeli izlemektedir.Bu çalışmada elde edilen bulgular literatürdeki benzer çalışmalarla karşılaştırılmış ve çoğu çalışmadan dahayüksek başarı gösterdiği görülmüştür.