Beyin manyetik rezonans görüntülerinde makine öğrenmesi tabanlı tümör tespiti ve sınıflandırılması
[ X ]
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Hitit Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Meningiomas are the most common primary brain tumors in the central nervous system. Although most of them are benign, they can damage many vital functions due to their size and location. There are multi-class brain tumor classification techniques in the literature, including
the meningioma class. In this study, the proposed method aims to increase the success of meningioma tumor detection by using binary classification instead of multiple classification methods. The proposed method increases the classification success by applying a three-step classification method and combining the power of four different machine learning algorithms in the final classification stage. Figshare brain tumor dataset, which includes T1-weighted contrast-enhanced brain Magnetic Resonance (MR) images of meningiomas and other tumor
types, was used in the study. First, Gray-Level Co-Occurance Matrix algorithm (GLCM) features were extracted from the gray-level converted training images and these data were trained with Linear SVM. After filtering the training images of meningioma with the Non-Local Means (NLM)
filter, they were segmented using k-Means Clustering and the GLCM features and contour features of the regions in the cluster where the tumor was located were extracted. Then, the contour features were trained with eXtreme Gradient Boosting (XGBoost). The GLCM features were trained with XGBoost, Light Gradient Boosting Machine (LGBM), Linear Support Vector
Machine (Linear SVM), Extra Trees. Then, the necessary classifications were made on the test images in the order determined in the algorithm and the result was determined as meningioma or not meningioma. When the obtained results were compared with the literature, it was
observed that the proposed method performed better.
Meningiomalar, merkezi sinir sistemindeki en yaygın primer beyin tümörleridir. Çoğu iyi huylu olmasına rağmen, boyutları ve konumları nedeniyle birçok hayati fonksiyona zarar verebilirler. Literatürde meningioma sınıfının da içinde bulunduğu çok sınıflı beyin tümörü sınıflandırma teknikleri bulunmaktadır. Bu çalışmada önerilen metod ile çoklu sınıflandırma yöntemlerinin yerine ikili sınıflandırma kullanılarak meningioma tümör tespitinin başarısının artırılması hedeflenmiştir. Önerilen metod üç adımlı bir sınıflandırma yöntemi uygulayarak ve son sınıflandırma aşamasında dört farklı makine öğrenmesi algoritmasının gücünü birleştirerek sınıflandırma başarısını artırmıştır. Çalışmada meningioma ve diğer tümör tiplerinin T1 ağırlıklı kontrastlı beyin Manyetik Rezonans (MR) görüntülerini içeren Figshare beyin tümörü veri seti kullanılmıştır. İlk olarak, gray levela dönüştürülen eğitim görüntülerinden Gray-Level Co-Occurance Matrix algoritması (GLCM) özellikleri çıkarılmıştır ve bu veriler Linear SVM ile eğitilmiştir. Meningioma eğitim görüntüleri Non-Local Means (NLM) filtresi ile filtrelendikten sonra k-Means Clustering kullanılarak bölütlenmiştir ve tümörün bulunduğu kümedeki bölgelerin GLCM özellikleri ve contour özellikleri çıkarılmıştır. Daha sonra contour özellikleri eXtreme Gradient Boosting (XGBoost) ile eğitilmiştir. GLCM özellikleri ise XGBoost, Light Gradient Boosting Machine (LGBM), Linear Support Vector Machine (Linear SVM), Extra Trees ile eğitilmiştir. Sonra da algoritmada belirlenen sıra ile test görüntüleri üzerinde gerekli sınıflandırmalar yapılarak sonuç meningioma ya da meningioma değil şeklinde tespit edilmiştir. Elde edilen sonuçlar literatürle karşılaştırıldığında önerilen metodun daha iyi performans gösterdiği gözlemlenmiştir.
Meningiomalar, merkezi sinir sistemindeki en yaygın primer beyin tümörleridir. Çoğu iyi huylu olmasına rağmen, boyutları ve konumları nedeniyle birçok hayati fonksiyona zarar verebilirler. Literatürde meningioma sınıfının da içinde bulunduğu çok sınıflı beyin tümörü sınıflandırma teknikleri bulunmaktadır. Bu çalışmada önerilen metod ile çoklu sınıflandırma yöntemlerinin yerine ikili sınıflandırma kullanılarak meningioma tümör tespitinin başarısının artırılması hedeflenmiştir. Önerilen metod üç adımlı bir sınıflandırma yöntemi uygulayarak ve son sınıflandırma aşamasında dört farklı makine öğrenmesi algoritmasının gücünü birleştirerek sınıflandırma başarısını artırmıştır. Çalışmada meningioma ve diğer tümör tiplerinin T1 ağırlıklı kontrastlı beyin Manyetik Rezonans (MR) görüntülerini içeren Figshare beyin tümörü veri seti kullanılmıştır. İlk olarak, gray levela dönüştürülen eğitim görüntülerinden Gray-Level Co-Occurance Matrix algoritması (GLCM) özellikleri çıkarılmıştır ve bu veriler Linear SVM ile eğitilmiştir. Meningioma eğitim görüntüleri Non-Local Means (NLM) filtresi ile filtrelendikten sonra k-Means Clustering kullanılarak bölütlenmiştir ve tümörün bulunduğu kümedeki bölgelerin GLCM özellikleri ve contour özellikleri çıkarılmıştır. Daha sonra contour özellikleri eXtreme Gradient Boosting (XGBoost) ile eğitilmiştir. GLCM özellikleri ise XGBoost, Light Gradient Boosting Machine (LGBM), Linear Support Vector Machine (Linear SVM), Extra Trees ile eğitilmiştir. Sonra da algoritmada belirlenen sıra ile test görüntüleri üzerinde gerekli sınıflandırmalar yapılarak sonuç meningioma ya da meningioma değil şeklinde tespit edilmiştir. Elde edilen sonuçlar literatürle karşılaştırıldığında önerilen metodun daha iyi performans gösterdiği gözlemlenmiştir.
