Derin öğrenme yöntemleri kullanarak beyin tümörü teşhisi ve sınıflandırması

Derin öğrenme bir veya daha fazla gizli katman içeren yapay sinir ağları (ANN) modelleri ve benzeri makine öğrenme algoritmalarını kapsayan çalışma alanıdır. Yani en az bir adet yapay sinir ağının kullanıldığı ve birçok algoritma ile, bilgisayarın eldeki verilerden yeni veriler elde etmesidir. Bu çalışmalarla derin öğrenme birçok alanda hayatı doğru yönetme ve yönlendirmede başarılar sağlanmaktadır. Tıp alanında kullanılan derin öğrenme ise özellikle beyin tümörünü hızlı ve doğru bir şekilde tespit ederek hem hastalara hem de doktorlara büyük destek vermektedir. Ancak mevcut çözümler ve teknolojik yöntemlerin yetersizliği, bazı alanlarda veri seti içeriklerinin azlığı, yeterli çeşitlilik olmaması ve ilgili görüntülerdeki gürültü oranlarının fazlalığı bu alanlardaki başarılı uygulamaların geliştirilmesini zorlaştırmaktadır. Bununla birlikte özellikle gelişmemiş ülkelerdeki doktor başına düşen hasta sayısı, doktorların zaman zaman stres, dikkat kaybı, yorgunluk vb. nedenlerle beyin tümörünün teşhisinde yanlış veya eksik değerlendirmeler yapması insan sağlığını kötü yönde etkilemektedir. Olumsuzlukları ortadan kaldırmak ve doktorlara destek vermek adına yapılan bu çalışmada, evrişimsel sinir ağı (CNN) modelleri kullanılarak beyin tümörlerinin sınıflandırılmasına odaklanılmaktadır. Beyin tümörü görüntüleri Google Colab üzerinde derin öğrenme algoritmaları RESNET50, ALEXNET, YOLOV8 ve bu tezde önerilen CNN modeli kullanılarak sınıflandırılmaktadır. Google Colab üzerinde, 4 ayrı modelden RESNET50, ALEXNET ve bu çalışmada önerilen CNN modelinde sınıflandırma yöntemiyle, YOLOV8 modelinin çeşitlerinde ise nesne tespiti yöntemiyle en yüksek öğrenme oranına sahip model tespit edilerek karşılaştırmaları yapılmaktadır. Bu çalışmada veri seti olarak kullanılan manyetik rezonans (MR) görüntüleri 4 sınıftan oluşan toplamda 7023 görüntü içermektedir. Veri setinin içeriğinde yer alan görüntüler eğitim ve test olmak üzere 2 gruba ayrılmakta ve her bir grubun içeriği 4 sınıftan oluşmaktadır. Bu gruplar sırasıyla glioma tümör, meningioma tümör, no tümör ve pituitary tümördür. Veri seti halka açık Kaggle veri tabanından alınmıştır ancak MR görüntü boyutlarının farklı olmasından dolayı yeniden düzenlenerek her bir görüntünün boyutu 300x300 olarak normalize edilmiştir. Olumsuzlukları ortadan kaldırmak ve doktorlara destek vermek adına yapılan bu çalışmada, Google Colab üzerinde 4 derin öğrenme algoritması kullanılmakta ve tüm elde edilen sonuçlar içerisinde en yüksek doğruluk oranına sahip model elde edilmeye çalışılmaktadır. Literatürde aynı veri seti üzerinde farklı modeller kullanılmış ancak Google Colab üzerinde 4 farklı model kullanılarak karşılaştırma yapılmamıştır. Yapılan çalışma ile bu eksiklik giderilmeye çalışılmıştır. Bu araştırmada, derin öğrenme yöntemleri ile farklı modeller kullanarak yüksek doğruluk oranında beyin tümörü teşhisi ve sınıflandırılması amaçlanmıştır. Beyin tümörü teşhisi ve sınıflandırılmasında RESNET50, ALEXNET, önerilen CNN modeli ve YOLOV8 derin öğrenme algoritmalarından yararlanılmaktadır. Her bir modelde farklı başarı oranları elde edilmiştir. Farklı başarı oranlarının elde edilmesinde kullanılan veri setinin modele uygunluğu etkili olmuştur. Anahtar Kelimeler: Beyin tümörü, Derin öğrenme, Sınıflandırma, Cnn, Alexnet, Resnet50, Yolov8.