Yıl: 2019 Cilt: 34 Sayı: 3 Sayfa Aralığı: 1395 - 1408 Metin Dili: Türkçe DOI: 10.17341/gazimmfd.460535 İndeks Tarihi: 03-01-2021

Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti

Öz:
Beyin tümörlerinden kaynaklı insan ölümleri günümüzde artmaktadır. Beyin tümörü çok hızlı büyüyerek,normal boyutunun iki katına çıkabilir. Bu yüzden uzmanlar, Manyetik Rezonans (MR) görüntüleriniinceleme sürecini dikkatli ve hızlı bir şekilde yapmalıdır. Erken teşhis, kanser tanısında, tedaviplanlamasında ve tedavi sonucunun değerlendirilmesinde hayati öneme sahiptir. Eğer beyin tümörü olan birhasta doğru ve erken tedavi görmemişse, hastanın hayatta kalma şansı düşebilir ve ölümle sonuçlanabilir. Bumakalede, beyin MR görüntülerinden tümörü kolayca tespit eden ve tümörün yerini belirten, uzmanlarayardımcı olabilecek bilgisayar destekli otomatik tümör tespit sistemi geliştirilmiştir. Geliştirilen sistem derinöğrenme mimarilerinden olan Bölgesel tabanlı Evrişimsel Sinir Ağları (BESA) tabanlıdır. BESA, EvrişimselSinir Ağları (ESA) mimarisini kullanan bir yapı olmakla birlikte giriş görüntüsüne ek olarak ilgilenilenbölgenin de giriş olarak verildiği bir yapı olarak düşünülebilir. Farklı BESA mimarileri tasarlanarakBenchmark, Rembredant ve Harvard veri setleri üzerinde test edilmiştir. Elde edilen en yüksek doğrulukdeğeri %99,10 ile BESA4 mimarisi ve Benchmark veri setinden elde edilmiştir. En yüksek ortalamadoğruluk ise yine BESA4 mimarisi ile %98,66 olarak hesaplanmıştır. Ayrıca, önerilen yöntemin başarımı,literatürdeki bazı yöntemler ile kıyaslanmıştır. Kıyaslamalar da önerilen yöntemin daha başarılı olduğugörülmüştür.
Anahtar Kelime:

Tumor detection in MR images of regional convolutional neural networks

Öz:
Human deaths caused by brain tumors are increasing nowadays. The brain tumor can grow very fast and can get twice of it is usual size. Therefore, physician have to analysis the Magnetic Resonance (MR) images quickly. This step is vital for the diagnosis of cancer, for treatment planning and for evaluation of the treatment outcome. If the patient who has the tumor in his brain is not treated correctly and quickly, the patient's chance of survival may decrease and resulted in death. In this article, we were developed a computer-assisted automated tumor detection system that can assist the physician in detecting and locating the tumor easily from brain MR images. The developed system is based on Regional based Convolutional Neural Networks (RCNN), which is one of the deep learning architectures. Besides RCNN is a structure that uses the architecture of the Convolutional Neural Networks (CNN), it can be considered as a structure in which the interested region is given as input in addition to the input images. In the proposed method, different RCNN architectures were designed and tested on Benchmark, Rembredant and Harvard datasets. The highest accuracy was obtained from the RCNN4 architecture on Benchmark data set is 99.10%. The highest average accuracy was calculated as 98.66% with RCNN4 architecture. Also, the success of the proposed method was compared with some of the methods exist in the literature. These comparisons showed that the proposed method is more successful and effective.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
10
11
10
  • 1. Amin, J., Sharif, M., Yasmin, M., Fernandes, S.L., A distinctive approach in brain tumor detection and classification using MRI, Pattern Recognition Letters, 2017.
  • 2. Shang,H., Zhao, W., Zhang, W., Preoperative Assessment Using Multimodal Functional Magnetic Resonance Imaging Techniques in Patients with Brain Gliomas, Turkish Neurosurgery, 22 (5),558-565,2012.
  • 3. M. Rohit , S. Kabade , M.S. Gaikwad , Segmentation of brain tumour and its area calculation in brain MRI images using K-mean clustering and Fuzzy C-mean algorithm, Int. J. Comput. Sci. Eng. Technol. (IJCSET) 4 (5), 524–531, 2013.
  • 4. H.A. Aslam , T. Ramashri , M.I.A. Ahsan , A new approach to image segmentation for brain tumor detection using pillar K-means algorithm, Int. J. Adv. Res. Comput. Commun. Eng. 2 (3), 1429–1436. 2013.
  • 5. Tüm Radyoloji Teknisyenleri ve Teknikerleri Derneği. http://www.tumrad.net/FileUpload/ds58732/File/many etik_rezonans_goruntuleme_mrg_.pdf. Erişim Tarihi Kasım 25, 2017.
  • 6. Herek, D., Karabulut, N., Manyetik Rezonans Görüntüleme, TTD Toraks Cerrahisi Bülteni, 1 (3), 214- 222, 2010.
  • 7. Kaya, H., Çavuşoğlu, A., Çakmak,H.B., Şen, B., Delen, D., Supporting the diagnosis process and processes after treatment by using image segmentation and image simulation techniques: Keratoconus example, Journal of The Faculty of Engineering and Architecture of Gazi University, 31 (3), 737-747, 2016.
  • 8. Iftekharuddin, K.M., Zheng, J., Islam, M.A., Ogg, R.J., Fractal-based brain tumor detection in multimodal MRI, Applied Mathematics and Computation, 207 (1), 23–41, 2009.
  • 9. Mustaqeem, A., Javed, A., Fatima, T., An efficient brain tumor detection algorithm using watershed and thresholding based segmentation, International Journal of Image, Graphics and Signal Processing(IJIGSP), 4 (10), 34–39.2012.
  • 10. Kole, D.K., Halder, A., Automatic brain tumor detection and isolation of tumor cells from MRI Images, International Journal of Computer Applications in Technology, 39 (16), 26–30, 2012.
  • 11. Meena, A., Raja, R., Spatial fuzzy c means pet image segmentation of neurode- generative disorder, Computer Vision and Pattern Recognition, 4 (1), 50–55, 2013.
  • 12. Nabizadeh, N., N., John, C., Wright, Histogram-based gravitational optimization algorithm on single MR modality for automatic brain lesion detection and segmentation, Expert Systems with Applications, 41 (17) 7820–7836, 2014.
  • 13. Yaqub, M., Javaid, M. K., Cooper, C., Noble, J. A., Investigation of the role of feature selection and weighted voting in random forests for 3–D volumetric segmentation. IEEE Transactions on Medical Imaging, 33 (2), 258–271, 2014.
  • 14. Eman, A.M., Mohammed, E., Rashid A.A., Brain tumor segmentation based on a hybrid clustering technique, Egyptian Informatics Journal, 16 (1), 71–81, 2015.
  • 15. Nabizadeh, N., & Kubat, M., Brain tumors detection and segmentation in MR images: Gabor wavelet vs. statistical features, Computers & Electrical Engineering, 45, 286–301, 2015.
  • 16. Mousavi, S.M., Naghsh, A.,Abu-Bakar, S.A.R., A heuristic automatic and robust ROI detection method for medical image warermarking, Journal of Digital Imaging, 28 (4), 417–427,2015.
  • 17. Ahmadvand, A., & Kabiri, P., Multispectral MRI image segmentation using Markov random field model. Signal, Image and Video Processing, 10, 251–258, 2016.
  • 18. Sudharani, K., Sarma, T.C., Prasad, K.S., Advanced morphological technique for automatic brain tumor detection and evaluation of statistical parameters, Procedia Technology, 24, 1374–1387, 2016 .
  • 19. Kadam, M., & Dhole, A., Brain tumor detection using GLCM with the help of KSVM, International Journal of Engineering & Technical Research, 7 (2), 2454–4698, 2017.
  • 20. Abbasi, S., Tajeripour, F., Detection of brain tumor in 3D MRI images using local binary patterns and histogram orientation gradient, Neurocomputing, 219, 526–535, 2017.
  • 21. Başoğlu, B., Bulut, M., Development of a hybrid system based on neural networks and expert systems for shortterm electricity demand forecasting, Journal of The Faculty of Engineering and Architecture of Gazi University, 32 (2), 575-583, 2017.
  • 22. Cengil, E. Çınar, A., Güler, Z., A GPU-Based Convolutional Neural Network Approach for Image Classification, Artificial Intelligence and Data Processing Symposium (IDAP), Malatya, Türkiye, 16- 17 Eylül, 2017.
  • 23. Gao, X., Li, W., Loomes, M., Wang, L., A fused deep learning architecture for viewpoint classification of echocardiography, Information Fusion, 36, 103–113, 2017.
  • 24. Gao, X. W., Hui, R., Tian, Z., Classification of CT brain images based on deep learning networks, Computer Methods and Programs in Biomedicine, 138, 49–56, 2017.
  • 25. Ari, B., Sengur, A., Ari, A., Hanbay D., Apricot Plant Classification Based On Leaf Recognition by Using Convolutional Neural Networks, International Conference on Natural Science and Engineering (ICNASE’16), Kilis, Türkiye, 19-20 Mart, 2016.
  • 26. Berna Arı: Kayısı Yapraklarının Evrişimsel Sinir Ağları Kullanılarak Sınıflandırılması, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Teknolojileri Mühendisliği, Fırat Üniversitesi, 2017.
  • 27. Ümit Budak: Uydu görüntülerinde havaalanlarının tespit edilmesi, Fen Bilimleri Enstitüsü, ElektrikElektronik Mühendisliği, Fırat Üniversitesi, 2017.
  • 28. CS231n: Convolutional Neural Networks for Visual Recognition. http://cs231n.github.io/convolutionalnetworks/#fc. Erişim Tarihi: Ekim 20, 2017.
  • 29. https://github.com/Kulbear/deep-learning-nanofoundation/wiki/ReLU-and-Softmax-ActivationFunctions. Erişim Tarihi: Mayıs 22, 2018.
  • 30. Hinton, G., Osindero, S., Teh, Y., A Fast Learning Algorithm for Deep Belief Nets, Neural Computation, 18(7), 1527-1554, 2006.
  • 31. Alper Ulu: “Deep Convolutıonal Neural Network Based Representatıons For Person Re-Identıfıcatıon”, Department of Computer Engineering Computer Engineering Programme, Istanbul Technıcal Unıversıty, June 2016.
  • 32. Havaei, M., Davy, A., Warde-Farley, D., Biard, A., Courville, A., Bengio, Y., Pal, C., Jodoin, P.M., Larochelle, H., Brain tumor segmentation with deep neural networks, Medical Image Analysis, 35, 18– 31,2017.
  • 33. Alpaslan, N., Kara, A.i Zencı̇r, B., Hanbay, D., Classification of breast masses in mammogram images using KNN, Signal Processing and Communications Applications Conference (SIU), 1469-1472, Malatya, Türkiye,16-19 Mayıs 2015.
  • 34. Multimodal Brain Tumor Segmentation. https://www.smir.ch/BRATS/Start2015. Erişim tarihi: Eylül 7, 2017.
  • 35. The image data in The Cancer Imaging Archive (TCIA), https://wiki.cancerimagingarchive.net/display/Public/R EMBRANDT. Erişim Tarihi: Aralık 25, 2017.
  • 36. Summers, D., Harvard whole brain atlas: www.med.harvard.edu/AANLIB/home.html, J. Neurol. Neurosurg. Psychiatry 74 (3), 288–288, 2003.
APA arı a, Hanbay D (2019). Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. , 1395 - 1408. 10.17341/gazimmfd.460535
Chicago arı ali,Hanbay Davut Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. (2019): 1395 - 1408. 10.17341/gazimmfd.460535
MLA arı ali,Hanbay Davut Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. , 2019, ss.1395 - 1408. 10.17341/gazimmfd.460535
AMA arı a,Hanbay D Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. . 2019; 1395 - 1408. 10.17341/gazimmfd.460535
Vancouver arı a,Hanbay D Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. . 2019; 1395 - 1408. 10.17341/gazimmfd.460535
IEEE arı a,Hanbay D "Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti." , ss.1395 - 1408, 2019. 10.17341/gazimmfd.460535
ISNAD arı, ali - Hanbay, Davut. "Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti". (2019), 1395-1408. https://doi.org/10.17341/gazimmfd.460535
APA arı a, Hanbay D (2019). Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 34(3), 1395 - 1408. 10.17341/gazimmfd.460535
Chicago arı ali,Hanbay Davut Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34, no.3 (2019): 1395 - 1408. 10.17341/gazimmfd.460535
MLA arı ali,Hanbay Davut Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.34, no.3, 2019, ss.1395 - 1408. 10.17341/gazimmfd.460535
AMA arı a,Hanbay D Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2019; 34(3): 1395 - 1408. 10.17341/gazimmfd.460535
Vancouver arı a,Hanbay D Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2019; 34(3): 1395 - 1408. 10.17341/gazimmfd.460535
IEEE arı a,Hanbay D "Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 34, ss.1395 - 1408, 2019. 10.17341/gazimmfd.460535
ISNAD arı, ali - Hanbay, Davut. "Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34/3 (2019), 1395-1408. https://doi.org/10.17341/gazimmfd.460535