Evrişimsel sinir ağı ve görü dönüştürücü mimarileri kullanılarak MR görüntülerinde beyin tümörlerinin otomatik sınıflandırılması

Beyin, insan için en önemli organdır ve merkezi sinir sisteminin ana organıdır. Beyin, düşünme, hareket ve duyular gibi temel insan faaliyetlerini yönetir. Beyin dokusundaki hücrelerin kontrolsüz büyümesi ile karakterize olan beyin tümörleri hem merkezi sinir sisteminin işleyişi hem de genel sağlık için ciddi bir tehdit oluşturmaktadır. Beyin tümörü tiplerinin doğru sınıflandırılması, uygun tedavi yöntemlerinin belirlenmesi ve hasta sonuçlarının iyileştirilmesi için çok önemlidir. Yapay zeka (YZ) ve derin öğrenme (DL) alanındaki son gelişmeler, tıbbi görüntüleme verilerini kullanarak beyin tümörlerinin otomatik sınıflandırılması için önemli bir potansiyel ortaya koymuştur. Bu çalışma, manyetik rezonans (MR) görüntülerinden beyin tümörü türlerini sınıflandırmak için otomatik bir sistem geliştirmek üzere YZ ve DL yaklaşımlarını kullanmayı amaçlamaktadır. Bu araştırmada, kamuya açık olan üç farklı veri kümesinden elde edilen toplam 32490 görüntünün özelliklerini kullanarak beyin tümörü türlerini sınıflandırmak için evrişimli sinir ağları (CNN) ve görü dönüştürücüler (ViT) kullanıldı. Sağlam model değerlendirmesi sağlamak için veri kümeleri sırasıyla %80 eğitim, %10 doğrulama ve %10 test kümelerine ayrılmıştır. Yöntem olarak ImageNet-21k veri kümesi üzerinde önceden eğitilmiş üç farklı ViT modeli (ViT-B/16, ViT-L/16 ve ViT-H/14) ve yine ImageNet-21k veri kümesi üzerinde önceden eğitilmiş bir CNN modeli (BiT-50) ile özellik çıkarımı için transfer öğrenme kullanılmaktadır. Derin öğrenme modellerinin farklı beyin tümörü türlerini doğru bir şekilde sınıflandırması sırasındaki performans ölçümleri, modellerin tüm veri kümelerinde yüksek sınıflandırma doğruluğu elde ettiğini göstermiştir. Özellikle, ViT-B/16 modeli veri seti I'de %98,8, veri seti II'de %97,08 ve veri seti III'te %96 doğruluk elde etmiştir. ViT-L/16 modeli veri seti I'de %99,5, veri seti II'de %97,55 ve veri seti III'te %97,54 doğruluk elde etmiştir. ViT-H/14 modeli veri seti I'de %97,3, veri seti II'de %95,89 ve veri seti III'te %93,23 doğruluk elde etmiştir. BiT-50 modeli veri seti I'de %99,9, veri seti II'de %98,64 ve veri seti III'te %99,68 doğruluk elde etmiştir. Sonuç olarak bu araştırma, beyin MR görüntülerinden beyin tümörü türlerinin otomatik sınıflandırılmasında CNN ve ViT modellerinin başarılı bir şekilde uygulandığını vurgulamaktadır. Gelecekteki çalışmalar, veri artırma tekniklerini geliştirmeye, daha farklı ön işleme yöntemlerini dahil etmeye ve sınıflandırma doğruluğunu daha da iyileştirmek için yeni derin öğrenme modellerini keşfetmeye odaklanacaktır.