Beyin Tümörü Sınıflandırılması için Derin Öğrenme Tabanlı CNN Modeli

Deep Learning • Convolutional Neural Networks • Medical Image Analysis

Bu projede, Manyetik Rezonans Görüntüleme (MRI) verileri kullanılarak beyin tümörlerinin otomatik olarak sınıflandırılması amacıyla derin öğrenme tabanlı bir Convolutional Neural Network (CNN) modeli geliştirilmiştir. Çalışmanın temel amacı; glioma, meningioma, pituitary tümörleri ve tümör içermeyen beyin görüntülerinin ayırt edilmesini sağlayan güvenilir bir sınıflandırma sistemi oluşturmaktır.

Problem Tanımı

Beyin tümörlerinin manuel olarak MRI görüntüleri üzerinden değerlendirilmesi, uzman deneyimine bağlı ve zaman alıcı bir süreçtir. Bu durum, otomatik ve tutarlı sonuçlar üretebilen makine öğrenmesi tabanlı yaklaşımlara olan ihtiyacı artırmaktadır. Bu projede, görüntü tabanlı sınıflandırma problemi ele alınmış ve dört sınıflı bir çıktı yapısı hedeflenmiştir.

Veri Seti ve Ön İşleme

Çalışmada kullanılan veri seti, Kaggle platformunda yer alan beyin MRI görüntülerinden oluşmaktadır. Toplam 7023 adet görüntüden oluşan veri seti; eğitim ve test alt kümelerine ayrılmıştır. Tüm görüntüler 200×200 piksel boyutuna yeniden ölçeklendirilmiş ve piksel değerleri normalize edilmiştir.

Yöntem

Geliştirilen model, Convolutional Neural Network (CNN) mimarisi temel alınarak tasarlanmıştır. Model yapısında birden fazla konvolüsyon ve havuzlama katmanı kullanılmış, ardından tam bağlantılı (dense) katmanlar ile sınıflandırma gerçekleştirilmiştir. Aşırı uyum (overfitting) problemini azaltmak amacıyla dropout katmanlarından yararlanılmıştır.

Eğitim Süreci

Model, eğitim veri seti kullanılarak 25 epoch boyunca eğitilmiştir. Eğitim sürecinde Adam optimizasyon algoritması ve sparse categorical cross-entropy kayıp fonksiyonu kullanılmıştır. Eğitim ve doğrulama performansı, her epoch sonunda doğruluk ve kayıp değerleri üzerinden izlenmiştir.

Model Eğitimi ve Performans Görselleri

Aşağıda, geliştirilen CNN modelinin eğitim süreci, performans metrikleri ve örnek tahmin çıktıları görsel olarak sunulmaktadır.

Eğitim ve doğrulama accuracy eğrileri

Eğitim ve doğrulama loss eğrileri

Çok sınıflı beyin tümörü sınıflandırmasına ait confusion matrix

Precision, recall ve F1-score değerlerini içeren sınıflandırma raporu

Veri Setinden Örnek MRI Görüntüleri

Aşağıdaki görseller, veri setinden rastgele seçilmiş örnek beyin MRI görüntüleridir. Bu bölümün amacı; model eğitimine giren ham görüntülerin çeşitliliğini (farklı hastalar, farklı kesitler) görsel olarak göstermektir.

Veri seti örnek MRI görüntüleri - grup 1

Veri setinden seçilmiş örnek MRI görüntüleri (grup 1)

Veri seti örnek MRI görüntüleri - grup 2

Veri setinden seçilmiş örnek MRI görüntüleri (grup 2)

Performans Değerlendirmesi

Model performansı doğruluk (accuracy), kayıp (loss), ROC-AUC skoru, karışıklık matrisi ve sınıflandırma raporları kullanılarak değerlendirilmiştir. Deneysel sonuçlar, modelin doğrulama veri seti üzerinde yaklaşık %97 doğruluk elde ettiğini göstermektedir.

Kaynak Kod

Projeye ait tüm modelleme, eğitim ve değerlendirme kodları GitHub üzerinde versiyonlanmış bir depo içerisinde tutulmaktadır.

GitHub Repository

Proje Dokümanı (PDF)

Projeye ait detaylı yöntem açıklamaları ve deneysel sonuçlar aşağıdaki PDF dokümanında sunulmaktadır.

PDF’i Yeni Sekmede Aç