KaydedilenlerDerginizi ekleyin

Dergiler / Mühendislik Bilimleri ve Araştırmaları Dergisi / 2025 / Cilt: 7 Sayı: 2

MR Görüntülerinde Yenilikçi Derin Öğrenme Yaklaşımları ile Beyin Tümörü Tespiti ve Çok Sınıflı Sınıflandırma

Inovative Deep Learning Approaches for Brain Tumor Detection and Multi-Class Classification in MR Images

Canan Yılmaz Bilgin(Bursa Uludağ Üniversitesi)0009-0007-7016-2944
Neyir Özcan Semerci(BURSA ULUDAĞ ÜNİVERSİTESİ)0000-0002-5513-9072
Sayfa
203–213
Yayın Tarihi
2025-10-27
🏛️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 yapmış olduğumuz bu çalışma YOLOv8 etiketlemesinin, görsel biyomedikal verilerin işlendiği derin öğrenme mimarilerinde kullanılan veri sayıları düşünüldüğünde, hem süre hem de başarım açısından güçlü bir alternatif olduğunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, beyin tümörlerinin sınıflandırılmasına yönelik geliştirilmiş bir GoogLeNet mimarisi sunulmaktadır.
📊
Temel Bulgular & Veri:Geliştirilen modelde kullanılmak üzere aynı veri setinden iki farklı alt küme oluşturulmuştur.
💡
Sonuç & Katkı:Ayrıca yapmış olduğumuz bu çalışma YOLOv8 etiketlemesinin, görsel biyomedikal verilerin işlendiği derin öğrenme mimarilerinde kullanılan veri sayıları düşünüldüğünde, hem süre hem de başarım açısından güçlü bir alternatif olduğunu göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Beyin tümörü · Derin öğrenme · Sınıflandırma

Özet

Bu çalışmada, beyin tümörlerinin sınıflandırılmasına yönelik geliştirilmiş bir GoogLeNet mimarisi sunulmaktadır. Geliştirilen modelde kullanılmak üzere aynı veri setinden iki farklı alt küme oluşturulmuştur. Birinci küme, radyoloji uzmanları tarafından maskelenmiş görüntülerden (Dataset1) oluşurken; ikinci küme ise maskesiz görüntülerin YOLOv8 algoritması ile işaretlenmesiyle elde edilmiştir (Dataset2). İlk olarak Dataset1 standart GoogLeNet mimarisi ile geliştirilmiş GoogLeNet mimarisinin performansını karşılaştırmak amacıyla kullanılmış, doğruluk ve hata metrikleriyle yapılan değerlendirmeler sonucunda geliştirilmiş mimarinin standart mimariye kıyasla daha yüksek bir performans sergilediği görülmüştür (%91.98-%94.88). Dataset2 için ise bu oranlar sırasıyla %93.36 ve %96.02 olarak elde edilmiştir. Bu sonuçlar, geliştirilmiş GoogLeNet mimarisinin her iki veri kümesinde de standart mimariye kıyasla daha yüksek performans gösterdiğini açıkça ortaya koymaktadır. Ayrıca yapmış olduğumuz bu çalışma YOLOv8 etiketlemesinin, görsel biyomedikal verilerin işlendiği derin öğrenme mimarilerinde kullanılan veri sayıları düşünüldüğünde, hem süre hem de başarım açısından güçlü bir alternatif olduğunu göstermektedir. Elde edilen bu sonuçlar yakın zamanda yapılmış olan benzer çalışmalarla da kıyaslanmıştır.

Abstract

In this study, an improved GoogLeNet architecture is proposed for brain tumor classification. Two distinct subsets were derived from the same dataset: Dataset1, containing images manually masked by radiology experts, and Dataset2, automatically annotated using the YOLOv8 algorithm. Evaluation using accuracy and error metrics demonstrated that the improved architecture achieved superior performance compared to the standard model (91.98% to 94.88%). For Dataset2, these rates increased to 93.36% and 96.02%, respectively. These results clearly indicate that the improved GoogLeNet architecture outperforms the standard model across both datasets. Additionally, YOLOv8-based annotation is shown to be an effective alternative to manual labeling, offering advantages in time efficiency and model performance, especially when handling large-scale biomedical imaging data. The obtained results were also validated by comparison with similar recent studies.

🔖

Bu Makaleye Atıf Yap

Bilgin, C. Y., Semerci, N. Ö. (2025). MR Görüntülerinde Yenilikçi Derin Öğrenme Yaklaşımları ile Beyin Tümörü Tespiti ve Çok Sınıflı Sınıflandırma. Mühendislik Bilimleri ve Araştırmaları Dergisi, Cilt: 7 Sayı: 2, 203–213. https://doi.org/10.46387/bjesr.1724952

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (22)

  1. A. Çinar and M. Yildirim, “Detection of tumors on brain MRI images using the hybrid convolutional neural network architecture,” Med Hypotheses, vol. 139, Jun. 2020.
  2. M. ASLAN, “Derin Öğrenme Tabanlı Otomatik Beyin Tümör Tespiti,” Fırat Üniversitesi Mühendislik Bilimleri Dergisi, vol. 34, no. 1, pp. 399–407, Mar. 2022.
  3. S. Ahmad and P. K. Choudhury, “On the Performance of Deep Transfer Learning Networks for Brain Tumor Detection Using MR Images,” IEEE Access, vol. 10, pp. 59099–59114, 2022.
  4. B. J. D. Kalyani, K. Meena, E. Murali, L. Jayakumar, and D. Saravanan, “Analysis of MRI brain tumor images using deep learning techniques,” Soft comput, vol. 27, no. 11, pp. 7535–7542, Jun. 2023.
  5. O. Altay Kırlı et al., “Türk Mühendislik Araştırma ve Eğitimi Dergisi ARAŞTIRMA MAKALESİ Comparative Analysis of Classification Algorithms in Brain Tumour Detection from Magnetic Resonance Images,” 2023.
  6. F. Uysal, M. Erkan,, “Evrişimsel Sinir Ağları Temelli Derin Öğrenme Modelleri Kullanılarak Beyin Tümörü Manyetik Rezonans Görüntülerinin Sınıflandırılması” EMO Bilimsel Dergi, c. 13, sy. 2, ss. 19–27, 2023.
  7. N. Abiwinanda, M. Hanif, S. T. Hesaputra, A. Handayani, and T. R. Mengko, “Brain tumor classification using convolutional neural network,” in IFMBE Proceedings, Springer Verlag, 2019, pp. 183–189.
  8. R. Ahsan, I. Shahzadi, F. Najeeb, and H. Omer, “Brain tumor detection and segmentation using deep learning,” Magnetic Resonance Materials in Physics, Biology and Medicine, 2024.
  9. A. Karacı and K. Akyol, “YoDenBi-NET: YOLO + DenseNet + Bi-LSTM-based hybrid deep learning model for brain tumor classification,” Neural Comput Appl, vol. 35, no. 17, pp. 12583–12598, Jun. 2023.
  10. M. F. Almufareh, M. Imran, A. Khan, M. Humayun, and M. Asim, “Automated Brain Tumor Segmentation and Classification in MRI Using YOLO-Based Deep Learning,” IEEE Access, vol. 12, pp. 16189–16207, 2024.
  11. M. Kang, C. M. Ting, F. F. Ting, and R. C. W. Phan, “RCS-YOLO: A Fast and High-Accuracy Object Detector for Brain Tumor Detection,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), Springer Science and Business Media Deutschland GmbH, 2023, pp. 600–610.
  12. F. J. P. Montalbo, “A computer-aided diagnosis of brain tumors using a fine-tuned yolo-based model with transfer learning,” KSII Transactions on Internet and Information Systems, vol. 14, no. 12, pp. 4816–4834, Dec. 2020.
  13. M. Grandini, E. Bagli, and G. Visani, “Metrics for Multi-Class Classification: an Overview,” Aug. 2020, [Online]. Available: http://arxiv.org/abs/2008.05756
  14. D. Chicco and G. Jurman, “The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation,” BMC Genomics, vol. 21, no. 1, Jan. 2020.
  15. L. Chen, S. Li, Q. Bai, J. Yang, S. Jiang, and Y. Miao, “Review of image classification algorithms based on convolutional neural networks,” Nov. 01, 2021, MDPI.
  16. C. Sridevi and M. Kannan, “Convolutional Neural Network Architecture-Inception (GoogLeNet) For Deep Architected Learning-Assisted Lung Cancer Classification in Computed Tomography Images,” Indian J Sci Technol, vol. 18, no. 7, pp. 504–516, Feb. 2025.
  17. A. Raza et al., “A Hybrid Deep Learning-Based Approach for Brain Tumor Classification,” Electronics (Switzerland), vol. 11, no. 7, Apr. 2022.
  18. K. K. Sudha and P. Sujatha, “A Qualitative Analysis of Googlenet and Alexnet for Fabric Defect Detection,” 2019. [Online]. Available: www.ijrte.org
  19. “Advancements_and_Ethical_Considerations_in_AIDrive”
  20. M. Tan and Q. V. Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” May 2019, [Online]. Available: http://arxiv.org/abs/1905.11946
  21. M. G. Linguraru et al., Eds., Medical Image Computing and Computer Assisted Intervention – MICCAI 2024, vol. 15008. in Lecture Notes in Computer Science, vol. 15008. Cham: Springer Nature Switzerland, 2024.
  22. F. Uysal, M. Erkan,, “Evrişimsel Sinir Ağları Temelli Derin Öğrenme Modelleri Kullanılarak Beyin Tümörü Manyetik Rezonans Görüntülerinin Sınıflandırılması” EMO Bilimsel Dergi, c. 13, sy. 2, ss. 19–27, 2023.