Maskelenmiş MR Görüntülerinden Önceden Eğitilmiş Transfer Öğrenme Yöntemleri Kullanılarak Beyin Tümörlerinin Sınıflandırılması

Abstract

Beyin tümörleri, zamanında teşhis edilmediklerinde ciddi nörolojik hasarlara ve yaşam kaybına neden olabilen hastalıklardır. Bu nedenle, tümörlerin doğru biçimde sınıflandırılması; etkili tedavi stratejilerinin belirlenmesi, hastalığın seyri hakkında doğru öngörülerde bulunulması büyük önem arz etmektedir. Günümüzde tıbbi görüntüleme teknikleri içerisinde manyetik rezonans görüntüleme (MRG) beyin tümörlerinin yapısal özelliklerinin ayrıntılı biçimde değerlendirilmesine olanak tanımakta ve bu özelliği nedeniyle sıklıkla tercih edilmektedir. Bu çalışma kapsamında, dört farklı kategoriye ayrılmış (glioma, meningioma, hipofiz tümörü ve tümör içermeyen) MR görüntüleri üzerinde segmentasyon destekli hibrit derin öğrenme yaklaşımları değerlendirilmiştir. Farklı açık kaynaklardan temin edilen ve aynı formatta yapılandırılan görüntüler birleştirilerek, daha geniş kapsamlı ve sınıf dengesi gözetilmiş bir veri seti oluşturulmuştur. Sınıflandırma aşamasında ise önceden eğitilmiş ResNet50, InceptionNetV3, VGG19, MobileNet ve EfficientNetB3 mimarileri kullanılmış; bu modeller, U-Net mimarisiyle gerçekleştirilen segmentasyon işlemi sonucunda tahmin edilen maskelerle birlikte hibrit yapılar halinde test edilmiştir. Elde edilen deneysel bulgular, sınıflandırma başarısında segmentasyon işlemi sonucunda tahmin edilen maskelerin etkisini açık bir biçimde ortaya koymuştur. Bu sonuç, ön işleme sürecinin doğrudan modelin sınıflandırma performansını ve genelleme yeteneğini artırdığını göstermiştir.

Brain tumors are diseases that can cause serious neurological damage and loss of life if not diagnosed in a timely manner. Therefore, accurately classifying tumors, determining effective treatment strategies, and making accurate predictions about the course of the disease are of vital importance. Currently, among medical imaging techniques, magnetic resonance imaging (MRG) allows for detailed assessment of the structural features of brain tumors and is frequently preferred for this reason. In this study, segmentation-based hybrid deep learning approaches were evaluated on MRG images categorized into four different categories (glioma, meningioma, pituitary tumor, and no-tumor). By combining images obtained from different open sources and structured in the same format, a more comprehensive dataset with class balance was created. In the classification phase, pre-trained ResNet50, InceptionV3, VGG19, MobileNet, and EfficientNetB3 architectures were used; these models were tested in hybrid structures with masks estimated from the segmentation process performed with the U-Net architecture. The experimental findings clearly demonstrated the impact of the masks estimated from the segmentation process on classification accuracy. This result showed that the preprocessing process directly increased the classification performance and generalization ability of the model.