{"title":"直方图均衡化方法对脑肿瘤分类中一些深度学习模型的影响","authors":"Çetin Erçeli̇k, Kazım Hanbay","doi":"10.53070/bbd.1373990","DOIUrl":null,"url":null,"abstract":"Beyin tümörü beyinde bulunan hücrelerin yenilenmesi sırasında oluşan hatalardan dolayı kafatası içerisinde anormal kitle büyümesinin genel adıdır. Beyin tümöründen hayatını kaybeden kişi sayısı gün geçtikçe artmaktadır. Kayıpları azaltmak için hastalığın tedavi planlamasında ve sonuç değerlendirilmesinde erken teşhis hayati bir önem taşımaktadır. Beyin tümör teşhisi için yaygın olarak kullanılan ve beyin içerisindeki dokuları gösteren MR (manyetik rezonans) görüntüleme yöntemi kullanılmaktadır. Geleneksel yöntemlerle MR görüntülerini kullanılarak beyin tümörünü sınıflandırmak beyin yapısı ve içindeki dokuların karmaşık olmasından dolayı zordur. Beyin tümörü sınıflandırmasında son yıllarda popüler olan ve sınıflandırma konusunda yüksek doğruluk oranları yakalayan derin öğrenme mimarileri kullanılmaktadır. Bu çalışmada VGG16,VGG19 ve MobileNet derin öğrenme mimarileri karşılaştırılarak en yüksek doğruluk oranına sahip olan mimarinin belirlenmesi amaçlanmıştır. Bu mimarilerin başarısını artırmak için veri tabanındaki görüntülere histogram eşitleme işlemi uygulanmıştır. Kullanılan veri seti 3590 MR görüntüsünden oluşup dört beyin tümörü sınıfından (glioma, meningioma, tümörsüz, pituitary) oluşmaktadır. Yapılan test ve eğitim sonucunda en yüksek doğruluk MobileNet tarafından elde edilmiştir. Deneysel çalışmalar histogram eşitleme işleminin görüntülerin kalitesini iyileştirerek derin öğrenme mimarilerinin performanslarına olumlu katkılar sunduğunu göstermiştir.","PeriodicalId":503380,"journal":{"name":"Computer Science","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2023-12-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Effects of Histogram Equalization Method on Some Deep Learning Models in Brain Tumor Classification\",\"authors\":\"Çetin Erçeli̇k, Kazım Hanbay\",\"doi\":\"10.53070/bbd.1373990\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Beyin tümörü beyinde bulunan hücrelerin yenilenmesi sırasında oluşan hatalardan dolayı kafatası içerisinde anormal kitle büyümesinin genel adıdır. Beyin tümöründen hayatını kaybeden kişi sayısı gün geçtikçe artmaktadır. Kayıpları azaltmak için hastalığın tedavi planlamasında ve sonuç değerlendirilmesinde erken teşhis hayati bir önem taşımaktadır. Beyin tümör teşhisi için yaygın olarak kullanılan ve beyin içerisindeki dokuları gösteren MR (manyetik rezonans) görüntüleme yöntemi kullanılmaktadır. Geleneksel yöntemlerle MR görüntülerini kullanılarak beyin tümörünü sınıflandırmak beyin yapısı ve içindeki dokuların karmaşık olmasından dolayı zordur. Beyin tümörü sınıflandırmasında son yıllarda popüler olan ve sınıflandırma konusunda yüksek doğruluk oranları yakalayan derin öğrenme mimarileri kullanılmaktadır. Bu çalışmada VGG16,VGG19 ve MobileNet derin öğrenme mimarileri karşılaştırılarak en yüksek doğruluk oranına sahip olan mimarinin belirlenmesi amaçlanmıştır. Bu mimarilerin başarısını artırmak için veri tabanındaki görüntülere histogram eşitleme işlemi uygulanmıştır. Kullanılan veri seti 3590 MR görüntüsünden oluşup dört beyin tümörü sınıfından (glioma, meningioma, tümörsüz, pituitary) oluşmaktadır. Yapılan test ve eğitim sonucunda en yüksek doğruluk MobileNet tarafından elde edilmiştir. Deneysel çalışmalar histogram eşitleme işleminin görüntülerin kalitesini iyileştirerek derin öğrenme mimarilerinin performanslarına olumlu katkılar sunduğunu göstermiştir.\",\"PeriodicalId\":503380,\"journal\":{\"name\":\"Computer Science\",\"volume\":null,\"pages\":null},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2023-12-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Computer Science\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.53070/bbd.1373990\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Computer Science","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.53070/bbd.1373990","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
Effects of Histogram Equalization Method on Some Deep Learning Models in Brain Tumor Classification
Beyin tümörü beyinde bulunan hücrelerin yenilenmesi sırasında oluşan hatalardan dolayı kafatası içerisinde anormal kitle büyümesinin genel adıdır. Beyin tümöründen hayatını kaybeden kişi sayısı gün geçtikçe artmaktadır. Kayıpları azaltmak için hastalığın tedavi planlamasında ve sonuç değerlendirilmesinde erken teşhis hayati bir önem taşımaktadır. Beyin tümör teşhisi için yaygın olarak kullanılan ve beyin içerisindeki dokuları gösteren MR (manyetik rezonans) görüntüleme yöntemi kullanılmaktadır. Geleneksel yöntemlerle MR görüntülerini kullanılarak beyin tümörünü sınıflandırmak beyin yapısı ve içindeki dokuların karmaşık olmasından dolayı zordur. Beyin tümörü sınıflandırmasında son yıllarda popüler olan ve sınıflandırma konusunda yüksek doğruluk oranları yakalayan derin öğrenme mimarileri kullanılmaktadır. Bu çalışmada VGG16,VGG19 ve MobileNet derin öğrenme mimarileri karşılaştırılarak en yüksek doğruluk oranına sahip olan mimarinin belirlenmesi amaçlanmıştır. Bu mimarilerin başarısını artırmak için veri tabanındaki görüntülere histogram eşitleme işlemi uygulanmıştır. Kullanılan veri seti 3590 MR görüntüsünden oluşup dört beyin tümörü sınıfından (glioma, meningioma, tümörsüz, pituitary) oluşmaktadır. Yapılan test ve eğitim sonucunda en yüksek doğruluk MobileNet tarafından elde edilmiştir. Deneysel çalışmalar histogram eşitleme işleminin görüntülerin kalitesini iyileştirerek derin öğrenme mimarilerinin performanslarına olumlu katkılar sunduğunu göstermiştir.