YOLOv5 ile Beyin Tümörü Tespiti: Derin Öğrenmeye Dayalı Nesne Tanıma Yaklaşımı

Computer Vision • Object Detection • Medical Imaging • Deep Learning

Bu projede, beyin MR görüntülerinde tümör tespiti amacıyla YOLOv5 tabanlı derin öğrenme destekli bir nesne tanıma sistemi geliştirilmiştir. Çalışma kapsamında iki farklı senaryo ele alınmıştır: ikili sınıflandırma (tümör var / yok) ve dört sınıflı etiketleme (healthy, unhealthy, benign, malignant). Amaç, farklı etiketleme yaklaşımlarının model performansına etkisini incelemektir.

Ne Yaptım?

  • YOLOv5 mimarisi kullanılarak MR görüntüleri üzerinde tümör tespiti modeli geliştirildi
  • İkili ve dört sınıflı olmak üzere iki farklı veri etiketleme stratejisi uygulandı
  • Modeller precision, recall, F1-score ve mAP metrikleri ile değerlendirildi
  • Eğitim ve test çıktıları üzerinden bounding box doğruluğu görsel olarak analiz edildi

Neden YOLOv5?

YOLOv5, tek aşamalı (single-stage) nesne tespit mimarisi sayesinde hızlı çıkarım süresi ve yüksek doğruluk sunmaktadır. Bu proje özelinde hedef, yalnızca sınıflandırma yapmak değil; MR görüntüsünde tümör bölgesini konumlandırarak (bounding box) doğru sınıf etiketini üretmektir.

Model Performans Analizi

Model performansları precision, recall, F1-score ve mAP metrikleri üzerinden karşılaştırılmıştır. Farklı sınıflandırma senaryolarının sonuçları karşılaştırmalı olarak değerlendirilmiştir.

Model performans tablosu

İkili ve dört sınıflı YOLOv5 modellerinin Precision, Recall, mAP@0.5 ve mAP@0.5:0.95 metriklerine göre karşılaştırması.

Çıkarım süresi tablosu

Modelin inference süresine ait pre-process, NMS ve toplam işlem sürelerini gösteren teknik tablo.

YOLOv5 eğitim ve metrik grafikleri

YOLOv5 modelinin eğitim sürecinde train/validation loss değerleri ile precision, recall ve mAP metriklerinin epoch bazlı değişimi.

Örnek Tahmin Çıktıları

Aşağıda, YOLOv5 modeli tarafından üretilen örnek tahmin çıktıları yer almaktadır. İkili ve dört sınıflı senaryolarda modelin tümör bölgesini doğru şekilde konumlandırdığı ve sınıf etiketlerini güven skorları ile birlikte ürettiği görülmektedir.

YOLOv5 ikili sınıf tahminleri

İkili Sınıflandırma (Positive / Negative):
Bu senaryoda model, MR görüntülerini tümör varlığına göre positive ve negative olarak sınıflandırmaktadır. Tahmin sonuçlarında, tümör bölgelerinin doğru şekilde bounding box ile işaretlendiği ve yüksek güven skorları ile etiketlendiği gözlemlenmektedir. Bu yaklaşım, hızlı ve pratik bir ön tarama (screening) mekanizması olarak kullanılmaya uygundur.

YOLOv5 dört sınıf tahminleri

Dört Sınıflı Sınıflandırma (Healthy / Unhealthy / Benign / Malignant):
Bu senaryoda model, yalnızca tümör varlığını değil, aynı zamanda tümörün durumunu ve türünü de ayırt etmektedir. Çıktılar incelendiğinde, modelin farklı sınıflar arasında anlamlı ayrımlar yapabildiği ve tümör bölgelerini doğru konumlandırdığı görülmektedir. Bu yaklaşım, klinik karar destek sistemleri için daha detaylı ve bilgilendirici sonuçlar sunmaktadır.

Kaynak Kod

Projeye ait kaynak kodlar, veri gizliliği ve proje bütünlüğü nedeniyle özel (private) bir GitHub deposunda tutulmaktadır.

⌘ Private GitHub Repository

Proje Dokümanı (PDF)

Bu projeye ait detaylı açıklama ve deneysel sonuçları içeren doküman aşağıdan görüntülenebilir.

PDF’i Yeni Sekmede Aç

SELİN ŞENOCAK