Yıl: 2021 Cilt: 36 Sayı: 2 Sayfa Aralığı: 997 - 1012 Metin Dili: Türkçe DOI: 10.17341/gazimmfd.762056 İndeks Tarihi: 29-07-2022

Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması

Öz:
Tıbbi görüntü sınıflandırma, veriyi belirli sayıda sınıfa ayrıştırma işlemidir. Son yıllarda, Manyetik Rezonans Görüntüleme (MRG) beyin tümörlerinin tespit edilmesinde ve tanısında yaygın olarak kullanılmaktadır. Bu çalışmada, üç farklı beyin tümörünün (gliyom, menenjiyom ve hipofiz bezi tümörü) T1 ağırlıklı MR görüntüleri üzerinde evrişimsel sinir ağı (ESA) kullanılarak sınıflandırılması ve aksiyel, koronel ve sagital MR kesitlerinin sınıflandırmadaki etkinliğinin belirlenmesi amaçlanmıştır. Ağırlıklar, daha önce ImageNet veri kümesi için eğitilmiş DenseNet121 ağından ESA’ya transfer edilerek ilklendirilmiştir. Ayrıca, MR görüntülerinde afin dönüşümü ve piksel-seviye dönüşümü kullanılarak veri çoğaltma işlemi yapılmıştır. Eğitilen ESA’nın tam bağlantılı ilk katmanından elde edilen öznitelikler, destek vektör makinesi (DVM), k en yakın komşu (kNN) ve Bayes yöntemleriyle de sınıflandırılmıştır. Bu sınıflandırıcıların başarısı test veriseti üzerinde duyarlılık, belirlilik, doğruluk, eğri altında kalan alan ve Pearson korelasyon katsayısı ile ölçülmüştür. ESA, ve ESA tabanlı DVM, kNN ve Bayes sınıflandırıcılarının elde ettiği doğruluk değerleri sırasıyla 0,9860, 0,9979, 0,9907 ve 0,8933’ dür. Beyin tümör sınıflandırma için önerilen ESA tabanlı DVM modeli literatürdeki benzer çalışmalardan daha yüksek performans değerleri elde etmiştir. Ayrıca, tümör tipinin belirlenmesinde koronel kesitlerin diğer kesitlere göre daha iyi sonuç verdiği görülmüştür.
Anahtar Kelime: Beyin Tümör Sınıflandırma Destek Vektör Makineleri Derin Öğrenme Veri Çoğaltma Öznitelik Çıkarımı

Brain tumors classification with deep learning using data augmentation

Öz:
Medical image classification is the process of separating data into a specified number of classes. In recent years, Magnetic Resonance Imaging (MRI) has been widely used in the detection and diagnosis of brain tumors. In this study, it was aimed to classify three different brain tumors (glioma, meningioma and pituitary) using convolutional neural network (CNN) on T1-weighted MR images and to determine the efficiency of axial, coronal and sagittal MR planes in classification. The weights were initialized by transferring to CNN from DenseNet121 network, which was previously trained with ImageNet dataset. In addition, data augmentation was performed on MR images using affine and pixel-level transformations. The features obtained from the first fully connected layer of the trained CNN were also classified by support vector machine (SVM), k nearest neighbor (kNN), and Bayes methods. The performances of these classifiers were measured by the sensitivity, specificity, accuracy, area under curve, and the Pearson correlation coefficient on the test dataset. The accuracy values of the developed CNN and CNN-based SVM, kNN, and Bayes classifiers are 0.9860, 0.9979, 0.9907, and 0.8933, respectively. The CNN-based SVM model proposed for brain tumor classification obtained higher performance values than similar studies in the literature. In addition, coronal plane of the brain was found to give better results than other planes in determining the tumor type.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
4
8
7
  • 1. Tiwari, A., Srivastava, S., Pant, M., Brain tumor segmentation and classification from magnetic resonance images: Review of selected methods from 2014 to 2019. Pattern Recognition Letters, 131, 244- 260, 2020.
  • 2. Liu, J., Pan, Y., Li, M., Chen, Z., Tang, L., Lu, C., Wang, J., Applications of Deep Learning to MRI Images: A Survey, Big Data Mining and Analytics, 1 (1), 1-18, 2018.
  • 3. Internet: Manyetik Rezonans (MR), http:// www. tumrad.net/FileUpload/ds58732/File/manyetik_rezonan s_goruntuleme_mrg_.pdf. Erişim tarihi Kasım 17, 2020.
  • 4. Gordillo, N., Montseny, E., Sobrevillac, P., State of the art survey on MRI brain tumor segmentation. Magnetic Resonance Imaging, 31 (8), 1426-1438, 2013.
  • 5. Smistad, E., Falch, T.L, Bozorgi, M., Elster, A.C., Lindseth, F., Medical image segmentation on GPUs-A comprehensive review, Medical Image Analysis. 20 (1), 1-18, 2015.
  • 6. Amin, J., Sharif, M., Yasmin, M., Fernandes, S.L., A distinctive approach in brain tumor detection and classification using MRI, Pattern Recognit. Lett., 1-10, 2017.
  • 7. Nabiyev, V.V., Yapay Zeka-Problemler-YöntemlerAlgoritma, Seçkin Yayıncılık, Ankara, 34-100, 2005.
  • 8. Elmas, Ç., Yapay Sinir Ağları, Seçkin Yayınevi, Ankara, 21-65, 2003.
  • 9. Haykin, S., Neural networks: a comprehensive foundation, Prentice Hall, USA, 1-50, 117-156,156-256, 1999.
  • 10. Fausett, L., Fundamentals of neural networks: Architectures, Algorithms and Applications, PrenticeHall, USA, 1-100, 1994.
  • 11. LeCun, Y., Bengio, Y., Hinton, G.E., Deep Learning Nature, 521, 436-444, 2015.
  • 12. Hinton, G.E., Osindero, S., Teh, Y.-W., A fast learning algorithm for deep belief nets. Neural Computation, 18 (7), 1527-1554, 2006.
  • 13. Hinton, G.E., Learning multiple layers of representation, Trends Cogn. Sci., 11 (10), 428-434, 2007.
  • 14. Bengio, Y., LeCun, Y., Scaling learning algorithms towards AI. MIT Press, 2007.
  • 15. Krizhevsky, A., Sutskever, I., Hinton, G.E., ImageNet classification with deep convolutional neural networks. NIPS'12 Proceedings of the 25th International Conference on Neural Information Processing Systems, 1, 1097-1105, 2012.
  • 16. Litjens, G., Kooi, T., Bejnordi, B.-E., Adiyoso Setio, A.A., Ciompi, F., Ghafoorian, M., Laak, J.-A.W.M., Ginneken, B., Sanchez, C.I., A survey on deep learning in medical image analysis, Medical Image Analysis, 42, 60-88, 2017.
  • 17. Liu, J., Pan, Y., Li, M., Chen, Z., Tang, L., Lu, C., Wang, J., Applications of Deep Learning to MRI Images: A Survey, Big Data Mining And Analytics, 1 (1), 1-18, 2018.
  • 18. Liu, S.Q., Liu, S.D., Cai, W.D., Pujol, S., Kikinis, R., Feng, D.G., Early diagnosis of Alzheimer’s disease with deep learning. in Proc. 2014 IEEE 11th Int. Symposium on Biomedical Imaging (ISBI), Beijing, China, 1015- 1018, 2014.
  • 19. Zaharchuk, G., Gong, E., Wintermark, M., Rubin, D., Langlotz, C.P., Deep Learning in Neuroradiology, AJNR Am. J. Neuroradiol., 39 (10), 1776-1784, 2018.
  • 20. Yapıcı, M., Tekerek, A., Topaloğlu, N., Literature Review of Deep Learning Research Areas, Gazi Journal of Engineering Sciences (GJES), 5 (3), 188-215, 2019.
  • 21. Vieira, S., Pinaya, W.H.L., Mechelli, A., Using deep learning to investigate the neuroimaging correlates of psychiatric and neurological disorders: Methods and applications, Neuroscience and Biobehavioral Reviews, 74, 58-75, 2017.
  • 22. Yamashita, R., Nishio, M., Do, R.K.G., Togashi, K., Convolutional neural networks: an overview and application in radiology, Insights Imaging, 9, 611-629, 2018.
  • 23. Gu, J., Wang, Z., Kuen, J., Ma, L., Shahroudy, A., Shuai, B., Liu, T., Wang, X., Wang, G., Cai, J., Chen, T., Recent advances in convolutional neural networks, Pattern Recognition, 77, 354-377, 2018.
  • 24. Mazurowski, M.A., Buda, M., Saha, A., Bashir, M.R., Deep learning in radiology: an overview of the concepts and a survey of the state of the art. arXiv:1802.08717, 2018.
  • 25. Zhang, W.L., Li, R.J., Deng, H.T., Wang, L., Lin, W.L., Ji, S.W., Shen, D.G., Deep convolutional Neural networks for multi-modality isointense infant brain image segmentation, NeuroImage, 108, 214-224, 2015.
  • 26. Suk, H.I., Lee, S.W, Shen, D.G., Hierarchical feature representation and multimodal fusion with deep learning for AD/MCI diagnosis, NeuroImage, 101, 569-582, 2014.
  • 27. Pereira, S., Pinto, A., Alves, V., Silva, C.A., Brain tumor segmentation using convolutional neural networks in MRI images, IEEE Trans. Med. Imaging, 35 (5), 1240- 1251, 2016.
  • 28. Bulut, F., Kılıç, İ., İnce, İ.F, Beyin tümörü tespitinde görüntü bölütleme yöntemlerine ait başarımların karşılaştırılması ve analizi, Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 20 (58), 173-186, 2018.
  • 29. Kebir, S.T., Mekaoui, S., An efficient methodology of brain abnormalities detection using CNN deep learning network, in: international Conference on Applied Smart Systems (ICASS), Medea, Algeria, 1-5, 2018.
  • 30. Talo, M., Baloglu, U.B., Yıldırım, Ö., Acharya, U.R., Application of deep transfer learning for automated brain abnormality classification using MR images, Cognit. Syst. Res., 54, 176-188, 2019.
  • 31. Arı A., Hanbay D., Tumor detection in MR images of regional convolutional neural networks, Journal of the Faculty of Engineering & Architecture of Gazi University, 34 (3), 1395-1408, 2019.
  • 32. Figshare brain tumor dataset. https://figshare.com/articles/brain_tumor_dataset/1512 427. Erişim tarihi Kasım 17, 2020.
  • 33. Deepak, S., Ameer, P.M., Brain tumor classification using deep CNN features via transfer learning, Comput. Biol. Med., 111, 103345, 1-7, 2019.
  • 34. Cheng, J., Huang, W., Cao, S., Yang, R., Yang, W., Yun, Z., Feng, Q., Enhanced performance of brain tumor classification via tumor region augmentation and partition, PLoS One, 10 (10), e0140381, 2015.
  • 35. Ismael, M.R., Abdel-Qader, I., Brain tumor classification via statistical features and backpropagation neural network, IEEE International Conference on Electro/Information Technology, EIT, 0252-0257, 2018.
  • 36. Pashaei, A., Sajedi, H., Jazayeri, N., Brain tumor classification via convolutional neural network and extreme learning machines, IEEE 8th International Conference on Computer and Knowledge Engineering, ICCKE, 314-319, 2018.
  • 37. Abiwinanda, N., Hanif, M., Hesaputra, S.T., Handayani, A., Mengko, T.R., Brain tumor classification using convolutional neural network, Springer World Congress on Medical Physics and Biomedical Engineering, 183- 189, 2018.
  • 38. Afshar, P., Plataniotis, K.N., Mohammadi, A., Capsule networks for brain tumor classification based on MRI images and course tumor boundaries, IEEE International Conference on Acoustics, Speech and Signal Processing, ICASSP, 1368-1372, 2019.
  • 39. Badža, M.M., Barjaktarović, M.C., Classification of Brain Tumors from MRI Images Using a Convolutional Neural Network, Applied Sciences, 10 (6), 1999, 1-13, 2020.
  • 40. Bhanothu, Y., Kamalakannan, A., Rajamanickam, G., Detection and Classification of Brain Tumor in MRI Images using Deep Convolutional Network, 2020 6th International Conference on Advanced Computing and Communication Systems (ICACCS), 00, 248-252, 2020.
  • 41. Nalepa, J., Marcinkiewicz, M., Kawulok, M., Data Augmentation for Brain-Tumor Segmentation: A Review, Frontiers in Computational Neuroscience, 13 (83), 1-18. 2019.
  • 42. Bulut F., A new clinical decision support system with instance based ensemble classifiers, Journal of the Faculty of Engineering and Architecture of Gazi University, 32 (1), 65-76, 2017.
  • 43. Çelik, G., Talu, M.F., Çekişmeli üretken ağ modellerinin görüntü üretme performanslarının incelenmesi, BAUN Fen Bil. Enst. Dergisi, 22 (1), 181- 192, 2020.
  • 44. Yia, X., Walia, E., Babyn, P., Generative adversarial network in medical imaging: A review, Medical Image Analysis, 58, 101552, 2019.
  • 45. Frid-Adar, M., Diamant, I., Klang, E., Amitai, M., Goldberger, J., Greenspan, H., GAN-based Synthetic Medical Image Augmentation for increased CNN Performance in Liver Lesion Classification, arXiv:1803.01229, 2018.
  • 46. Iqbal, T., Ali, H., Generative Adversarial Network for Medical Images (MI-GAN), Journal of Medical Systems 42, 231, 2018.
  • 47. Kazuhiro, K., Werner, R.A., Toriumi, F., Javadi, M.S., Pomper, M.G., Solnes, L.B., Verde, F., Higuchi, T., Ro, S.P., Generative Adversarial Networks for the Creation of Realistic Artificial Brain Magnetic Resonance Images, 4 (4), 159-163, 2018.
  • 48. Armanious, K., Jiang, C., Fischer, M., Küstner, T., Hepp, T., Nikolaou, K., Gatidis, S., Yang, B., MedGAN: Medical image translation using GANs, Computerized Medical Imaging and Graphics, 79, 101684, 1-13, 2020.
  • 49. Gungen, C., Polat, O., Karakis, R., Evrişimsel Sinir Ağı Kullanılarak MR Görüntülerinden Beyin Tümörlerinin Sınıflandırılması, The 28th IEEE Conference on Signal Processing And Communications Applications, Gaziantep, 2020.
  • 50. Huang, G., Liu, Z., Maaten, L. van der, Weinberger, K.Q., Densely Connected Convolutional Networks, arXiv:1608.06993, 2017.
  • 51. Huang, G., Liu, Z., Pleiss, G., Maaten, L. van der, Weinberger, K.Q. Convolutional Networks with Dense Connectivity, IEEE Transactions on Pattern Analysis and Machine Intelligence, 1-12, 2019.
  • 52. Karakis, R., Tez, M., Kılıç, Y.A., Kuru, B., Guler, I., A genetic algorithm model based on artificial neural network for prediction of the axillary lymph node status in breast cancer, Engineering Applications of Artificial Intelligence, 26 (3), 945-950, 2013.
APA Miller-Van Wieren L, Karakis R (2021). Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması. , 997 - 1012. 10.17341/gazimmfd.762056
Chicago Miller-Van Wieren Leila,Karakis Rukiye Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması. (2021): 997 - 1012. 10.17341/gazimmfd.762056
MLA Miller-Van Wieren Leila,Karakis Rukiye Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması. , 2021, ss.997 - 1012. 10.17341/gazimmfd.762056
AMA Miller-Van Wieren L,Karakis R Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması. . 2021; 997 - 1012. 10.17341/gazimmfd.762056
Vancouver Miller-Van Wieren L,Karakis R Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması. . 2021; 997 - 1012. 10.17341/gazimmfd.762056
IEEE Miller-Van Wieren L,Karakis R "Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması." , ss.997 - 1012, 2021. 10.17341/gazimmfd.762056
ISNAD Miller-Van Wieren, Leila - Karakis, Rukiye. "Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması". (2021), 997-1012. https://doi.org/10.17341/gazimmfd.762056
APA Miller-Van Wieren L, Karakis R (2021). Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(2), 997 - 1012. 10.17341/gazimmfd.762056
Chicago Miller-Van Wieren Leila,Karakis Rukiye Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36, no.2 (2021): 997 - 1012. 10.17341/gazimmfd.762056
MLA Miller-Van Wieren Leila,Karakis Rukiye Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.36, no.2, 2021, ss.997 - 1012. 10.17341/gazimmfd.762056
AMA Miller-Van Wieren L,Karakis R Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021; 36(2): 997 - 1012. 10.17341/gazimmfd.762056
Vancouver Miller-Van Wieren L,Karakis R Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021; 36(2): 997 - 1012. 10.17341/gazimmfd.762056
IEEE Miller-Van Wieren L,Karakis R "Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36, ss.997 - 1012, 2021. 10.17341/gazimmfd.762056
ISNAD Miller-Van Wieren, Leila - Karakis, Rukiye. "Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36/2 (2021), 997-1012. https://doi.org/10.17341/gazimmfd.762056