Özellik optimizasyomu yapılan beyin manyetik rezonans görüntülerindeki tümörlü dilimlerin transfer öğrenmesi ile tespiti

Bilgisayar destekli tanı (BDT), uzmanlara klinik süreçteki anormalliklerin tespitinde destek olmaktadır. BDT alanlarından birisi de beyin tümörlerinin manyetik rezonans görüntüleri (MRG) kullanılarak tespitidir. MRG, uzmana tanı koymada ve tedaviyi yönlendirmede yardımcı olmaktadır. MRG, X-ışınları kullanılarak vücudun istenilen bölgesinin detaylı bir şekilde taranıp, dilimli görüntüler oluşturulması ile elde edilir. Çekim esnasında MR cihazı; vücut içindeki kemik, yumuşak doku, organ ve damarların görüntülerini farklı açılardan tarayarak kesitler hâlinde görüntülenmesini sağlamaktadır. MRG'nin dilimler halinde elde çekilmesinden dolayı, uzmanların bu görüntüleri incelemesi zaman alıcı olmaktadır. Otomatik olarak tümörlü dilimleri tespit edecek bir BDT sistemi ile bu durum teleafi edilebilir. Bu çalışmada, özellik çıkarımına gerek kalmadan, görüntünün özelliklerinin otomatik olarak elde edilmesi amacıyla, transfer öğrenmesi algoritmalarını kullanmaya motive olduk. Transfer öğrenme yöntemlerinden Alexnet ve Resnet50 derin öğrenme modelleri, kullanımı basit olması ve hızlıca geliştirilen yönteme adapte edilmesi sebebiyle tercih edilmiştir. Fakat bu modeller, özellik çıkarmada oldukça yüksek miktarda özellik elde edilmesine sebep olmaktadır. Bu özelliklerin problem uzayında etkin sınıflandırma başarısını arttırmak ve algoritmanın daha hızlı çalışmasını sağlamak amacıyla; Alexnet ve Resnet50 transfer öğrenme algoritmaları, Relieff ve Konşuluk Bileşen Analizi (NCA) özellik seçme algoritmaları ile yenilikçi olarak optimize edilmiştir. Optimize edilen özellik vektörü ile oluşturulan veri seti SVM sınıflandırma algoritmasına uygulanarak tümörlü MRG dilimleri sınıflandırılmıştır. Bu tez çalışmasında, önerilen yöntemin başarısı ve efektifliğini göstermek için deney aşamasında üç farklı üç farklı veri seti kullanılmıştır. Bunlar Rembrandt, Rıder Neuro MR ve Brain Tumor Progression veri setleridir. Bu veri setleri literatürde çokca kullanılan ve çalışmaların başarımını göstermede kullanıldığı için tercih edilmiştir. Veri setlerinde toplamda 1830 adet aksiyal bölge sağlıklı ve tümörlü beyin MR görüntüsü bulunmaktadır. Deneylerde Relieff ve NCA özellik seçim algoritmaları kullanılarak optimize edilen Alexnet ve Resnet50 transfer öğrenmesi algoritmalarının SVM sınıflandırıcısı ile sınıflandırma işlemleri sonucunda ortaya çıkan eğitim, doğrulama, test süreleri ve MRG dilimlerindeki tümörlü bölgenin olup olmaması durumları karşılaştırılmıştır. Yapılan deneylerde optimize edilen algoritma hem daha hızlı çalışmış (0,28 saniye) hem de daha başarılı sınıflandırma başarısı (%98,4) elde etmede etkin çalışmıştır. Elde edilen deneysel sonuçlar, bu tez çalışmasında önerilen modelin efektif çalışması ve yüksek doğruluk oranı, uzmanın tümör içeren MRG dilimlerini tespit etmesine katkı sağlayabilecek düzeydedir. Bu sayede hızlı teşhis ve tedavi planında uzmanın zaman kaybının önüne geçilerek, gözden kaçabilecek verilerin önüne geçilmiş olunabilecektir. Anahtar Kelimeler : Beyin manyetik rezonans görüntüleri, Özellik mühendisliği (Relieff, NCA), SVM sınıflandırıcı, Transfer öğrenmesi (Alexnet, Resnet).