Beyin MR görüntülerinin iyileştirilmesi ve derin öğrenme metotları ile beyin tümörü tespiti

Bu çalışmanın temel amacı, beyin tümörü içeren manyetik rezonans görüntülerinde derin öğrenme tabanlı nesne tespiti modelleri kullanılarak, farklı görüntü iyileştirme yöntemlerinin model performansı üzerindeki etkilerini sistematik biçimde incelemektir. Erken ve doğru teşhisin klinik açıdan kritik öneme sahip olması nedeniyle, görüntülerdeki gürültü, kontrast düzensizlikleri ve düşük kalite sorunlarını azaltmak için Gauss, medyan, Wiener, CLAHE ve morfolojik işlemler ile bu yöntemlerin ikili kombinasyonları uygulanmıştır. Çalışmada 780 adet tümörlü MR görüntüsünden oluşan bir veri seti kullanılmıştır. YOLOv8, SSD MobileNet-V2 ve DETR modelleri hem ham hem de iyileştirilmiş görüntüler üzerinde test edilmiştir. Derin öğrenme modellerinin performans değerlendirmesinde mAP@0.5, mAP@[0.5:0.95], kesinlik (precision), duyarlılık (recall) ölçütleri kullanılırken, görüntü iyileştirme aşamasında ise MSE, PSNR ve SSIM ölçütleri kullanılmıştır. Özellikle Gauss filtresi, MSE değerlerini düşürüp PSNR ve SSIM değerlerini artırarak görüntü kalitesinde belirgin bir iyileşme sağlamıştır. Elde edilen sonuçlar, görüntü iyileştirmenin özellikle SSD modelinde belirgin şekilde pozitif katkı sağladığını; YOLOv8 ve DETR modellerinde ise kullanılan yönteme bağlı olarak etkilerin sınırlı veya değişken olabildiğini göstermektedir. SSD modeli, iyileştirme sonrası güven skorunda %12, mAP değerinde ise yaklaşık %9,8 oranında artışla en yüksek performans kazanımını göstermiştir. Gauss–Kapama kombinasyonu DETR için en iyi sonucu verirken, CLAHE–Genişleme 3 derin öğrenme modelinde de performans düşüşüne yol açmıştır. Genel olarak, bulanıklık ve morfolojik işlemlerin birlikte kullanımı, özellikle SSD modelinde güven skorunda yaklaşık %10 oranında artış sağlarken, YOLOv8 ve DETR modellerinde ise yöntem türüne bağlı olarak daha sınırlı ancak ölçülebilir düzeyde performans değişimleri gözlemlenmiştir. Bu bulgular, görüntü iyileştirme stratejilerinin, kullanılan derin öğrenme modellerinin mimari özellikleriyle birlikte ele alınması gerektiğini ortaya koymaktadır.