KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2021 / Cilt: 36 - Sayı: 2

Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması

Kali GURKAHRAMAN
Rukiye KARAKIŞ
Sayfa
997–1012
Yayın Tarihi
2021-03-05
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ayrıca beyin tümör tipini görüntülerden belirlemede beyin koronel kesitleri diğer kesitlere göre daha etkindir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Tıbbi görüntü sınıflandırma, veriyi istenilen sayıda sınıfa ayrıştırma işlemidir.
📊
Temel Bulgular & Veri:Bu çalışmada, üç farklı beyin tümörünün(gliyom, menenjiyom ve hipofiz bezesi) T1 ağırlıklı MR görüntüleri üzerinde evrişimsel sinir ağı (ESA) kullanılarak sınıflandırılması ve aksiyel, koronel ve sagital MR kesitlerinin sınıflandırmadaki etkinliğinin belirlenmesi amaçlanmıştır.
💡
Sonuç & Katkı:Ayrıca beyin tümör tipini görüntülerden belirlemede beyin koronel kesitleri diğer kesitlere göre daha etkindir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Beyin Tümör Sınıflandırma · Derin Öğrenme · Destek Vektör Makineleri

Özet

Tıbbi görüntü sınıflandırma, veriyi istenilen sayıda sınıfa ayrıştırma işlemidir. Son yıllarda, Manyetik Rezonans Görüntüleme (MRG) beyin tümörlerinin tespit edilmesinde ve tanısında yaygın olarak kullanılmaktadır. Bu çalışmada, üç farklı beyin tümörünün(gliyom, menenjiyom ve hipofiz bezesi) T1 ağırlıklı MR görüntüleri üzerinde evrişimsel sinir ağı (ESA) kullanılarak sınıflandırılması ve aksiyel, koronel ve sagital MR kesitlerinin sınıflandırmadaki etkinliğinin belirlenmesi amaçlanmıştır. Ağırlıklar, başlangıçta ImageNet veri kümesi için eğitilmiş DenseNet121 ağından ESA’ya transfer edilmiştir. Ayrıca, afin dönüşümü ve piksel-seviye dönüşümü MR görüntülerinde veri çoğaltmada kullanılmıştır. Eğitilen ESA’nın tam bağlantılı ilk katmanından elde edilen öznitelikler, destek vektör makinesi(DVM), k en yakın komşu (kNN) ve Bayes yöntemleriyle de sınıflandırılmıştır. Bu sınıflandırıcıların başarısı test veriseti üzerinde duyarlılık, belirlilik, doğruluk, eğri altında kalan alan ve korelasyon katsayısı ile ölçülmüştür. ESA, ve ESA tabanlı DVM, kNN ve Bayes sınıflandırıcılarının elde ettiği doğruluk değerleri sırasıyla 0.9860, 0.9979, 0.9907 ve 0.8933’ dür. Beyin tümör sınıflandırma için önerilen ESA tabanlı DVM modeli literatürdeki benzer çalışmalardan daha yüksek performans değerleri elde etmiştir. Ayrıca beyin tümör tipini görüntülerden belirlemede beyin koronel kesitleri diğer kesitlere göre daha etkindir.

🔖

Bu Makaleye Atıf Yap

GURKAHRAMAN, K., KARAKIŞ, R. (2021). Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 36 - Sayı: 2, 997–1012. https://ajindex.com/articles/108537

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Tiwari, A., Srivastava, S., Pant, M., Brain tumor segmentation and classification from magnetic resonance images: Review of selected methods from 2014 to 2019. Pattern Recognition Letters, 131, 244-260, 2020.
  2. Gordillo, N., Montseny, E., Sobrevillac, P., State of the art survey on MRI brain tumor segmentation. Magnetic Resonance Imaging, 31(8), 1426-1438, 2013.
  3. Smistad, E., Falch, T.L, Bozorgi, M., Elster, A.C., Lindseth, F., Medical image segmentation on GPUs – A comprehensive review, Medical Image Analysis. 20(1), 1-18, 2015.
  4. Hinton, G.E., S. Osindero, Y.-W. Teh, 2006. A fast learning algorithm for deep belief nets. Neural Computation, 18 (7), 1527-1554, 2006.
  5. Bengio, Y., LeCun, Y., Scaling learning algorithms towards AI. MIT Press, 2007.
  6. Krizhevsky, A., Sutskever, I., G. Hinton G., ImageNet classification with deep convolutional neural networks. NIPS'12 Proceedings of the 25th International Conference on Neural Information Processing Systems, 1, 1097-1105, 2012.
  7. Mazurowski, M.A., Buda, M., Saha, A., Bashir, M.R., Deep learning in radiology: an overview of the concepts and a survey of the state of the art. arXiv:1802.08717, 2018.
  8. Vieira, S., Pinaya, W.H.L., Mechelli, A., Using deep learning to investigate the neuroimaging correlates of psychiatric and neurological disorders: Methods and applications. Neuroscience and Biobehavioral Reviews, 74, 58-75, 2017.
  9. Liu, S.Q., Liu, S.D., Cai, W.D., Pujol, S., Kikinis, R., Feng, D.G., Early diagnosis of Alzheimer’s disease with deep learning. in Proc. 2014 IEEE 11th Int. Symposium on Biomedical Imaging (ISBI), Beijing, China, 1015-1018, 2014.
  10. Zaharchuk, G., Gong, E., Wintermark, M., Rubin, D., Langlotz, C.P., Deep Learning in Neuroradiology, AJNR Am. J. Neuroradiol., 39(10), 1776-1784, 2018.
  11. Liu, J., Pan, Y., Li, M., Chen, Z., Tang, L., Lu, C., Wang, J., Applications of Deep Learning to MRI Images: A Survey, Big Data Mining and Analytics, 1 (1), 1-18, 2018.
  12. Zhang, W.L., Li, R.J., Deng, H.T., Wang, L., Lin, W.L., Ji, S.W., Shen, D.G., Deep convolutional Neural networks for multi-modality isointense infant brain image segmentation, NeuroImage, 108, 214-224, 2015.
  13. Pereira, S., Pinto, A., Alves, V., Silva, C.A., Brain tumor segmentation using convolutional neural networks in MRI images, IEEE Trans. Med. Imaging, 35(5), 1240-1251, 2016.
  14. Suk, H.I., Lee, S.W, Shen, D.G., Hierarchical feature representation and multimodal fusion with deep learning for AD/MCI diagnosis, NeuroImage, 101, 569-582, 2014.
  15. Vieira, S., Pinaya, W.H