Brain Tumor Classification Using Deep Learning Through MRI Images

Abstract

A brain tumor is a dangerous neural illness produced by the strict growing of prison cell in the brain or head. The amount of persons suffering from brain tumor remains increasingly cumulative. Initial detection of wicked cancers is vital to provide cure to sickness, and early identification reduces the risk of death. If a brain cancer is not predicted in initial phase, it can assuredly cause to death. Hence, primary identification of brain tumors requires the usage of a mechanical means. The segmentation, analysis, and separation of unclean tumor parts from MRI images are the main source of anxiety. Nevertheless, the situation is a boring and slow procedure that radiologists or scientific professionals need to assume, and their act is only reliant on their knowledge. To report the segmented MRI images including tumor, the usage of computer-assisted methods come to be necessary. In this thesis, a Convolutional Neural Network (CNN) approach is used to identify brain cancers in MRI images. The presented model focuses on improving accuracy because there has been a significant amount of research in this sector. This investigation is carried out using Python and Google Colab. Two datasets are used for this study, namely Kaggle Brain MRI dataset and Figshare Brain MRI dataset. Models of deep CNN, consisting of VGG16, AlexNet, and ResNet, are utilized to extract deep features. The classification accuracies of the aforementioned deep learning models are used to measure the efficiencies of the implemented systems. For the Kaggle dataset, AlexNet achieves a 98% accuracy, VGG16 has 97% accuracy, and ResNet has 66% accuracy. Among these networks, AlexNet has provided the highest level of accuracy. In the Figshare dataset, AlexNet and VGG16 both achieve 99% accuracy, and ResNet has 96% accuracy. In terms of accuracy, AlexNet and VGG16 outperform ResNet. These performances aid in the early detection of cancers before they cause physical harm such as paralysis and other complications.

ÖZ: Beyin tümörü, beyindeki veya kafadaki hapishane hücresinin katı bir şekilde büyümesiyle meydana gelen tehlikeli bir sinir hastalığıdır. Beyin tümörü görülen insan sayısı kümülatif olarak artmaya devam etmektedir. Kötü huylu kanserlerin ilk tespiti, hastalığa çare bulunması için önemlidir ve erken teşhis ölüm riskini azaltır. Bir beyin kanseri ilk aşamada tahmin edilemezse, kesinlikle ölüme neden olabilir. Bu nedenle, beyin tümörlerinin birincil tanımlanması, mekanik bir yolun kullanılmasını gerektirir. Temiz olmayan tümör parçalarının MRI görüntülerinden bölütlenmesi, analizi ve ayrılması ana endişe kaynağıdır. Yine de durum, radyologların veya uzmanların üstlenmesi gereken sıkıcı ve yavaş bir prosedürdür ve eylemleri yalnızca bilgilerine bağlıdır. Tümör hücrelerini içeren bölütlenmiş MRI görüntülerini ortaya çıkarmak için bilgisayar destekli yöntemlerin kullanımı gerekmektedir. Bu tezde, MRI görüntülerinde beyin kanserlerini tanımlamak için Evrişimsel Sinir Ağı (CNN) yöntemleri kullanılmıştır. Sunulan model, bu sektörde önemli miktarda araştırma yapıldığı için doğruluğu artırmaya odaklanmaktadır. Bu araştırma Python ve Google Colab kullanılarak gerçekleştirilmiştir. Bu çalışma için Kaggle Beyin MRI veri kümesi ve Figshare Beyin MRI veri kümesi olmak üzere iki veri kümesi kullanılmıştır. Derin öznitelikleri çıkarmak için VGG16, AlexNet ve ResNet'ten oluşan derin CNN modelleri kullanılmıştır. Herhangi bir derin öğrenme modelinin sınıflandırma doğruluğu, uygulanan sistemin verimliliğini ölçmek için kullanılmıştır. Kaggle Beyin MRI veri kümesi için AlexNet %98, VGG16 %97 ve ResNet %66 doğruluğa sahiptir. Bu ağlar arasında en yüksek doğruluk seviyesini AlexNet sağlamıştır. Figshare Beyin MRI veri kümesinde AlexNet ve VGG16 %99, ResNet ise %96 doğruluğa sahiptir. Doğruluk açısından AlexNet ve VGG16, ResNet'ten daha iyi performans göstermiştir. Bu performanslar, kanserlerin felç ve diğer komplikasyonlar gibi fiziksel zararlara neden olmadan önce erken tespit edilmesine yardımcı olur.