MR görüntüleri ile beyin tümörünün yeni bir derin öğrenme tabanlı yaklaşımla sınıflandırılması

Beyin tümörlerinin doğru ve hızlı teşhisi, hastaların yaşam kalitesini artırmak ve tedavi süreçlerini iyileştirmek için kritik bir öneme sahiptir. Ancak, MR görüntülerinin doktorlar tarafından manuel olarak incelenmesi, zaman alıcı ve hata payını artıran bir süreçtir. Bu çalışma, yapay zeka tabanlı bir derin öğrenme modeli geliştirerek beyin tümörlerini otomatik olarak sınıflandırmayı amaçlamaktadır.Çalışma kapsamında, açık erişimli platformlardan temin edilen MR görüntülerinden oluşan bir veri seti kullanılmış ve bu veri seti ön işleme teknikleriyle optimize edilmiştir. Bu veri seti, önerilen modelin eğitim, doğrulama ve test gruplarına ayrılarak çalışmaya entegre edilmiştir. Model, evrişimsel sinir ağı (CNN) yapısını temel almakta ve öznitelik seçimi için L1-Norm Destek Vektör Makineleri (DVM) ReliefF algoritmasını kullanmaktadır. Bu sayede hem hesaplama maliyetleri azaltılmış hem de sınıflandırma doğruluğu artırılmıştır.Model performansı, doğruluk, hassasiyet, özgüllük, F1 skoru ve ROC eğrisi gibi çeşitli ölçütlerle değerlendirilmiştir. Özellikle glioblastoma multiforme tümörünün sınıflandırılmasında %95 doğruluk oranına ulaşan bu model, mevcut yaklaşımlara kıyasla anlamlı bir gelişme sağlamıştır. Elde edilen sonuçlar, geliştirilen modelin sağlık sektöründe otomatik karar destek sistemleri üretmek için önemli bir katkı sunduğunu göstermektedir.