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.
