Yapay zekâ, tıbbi görüntüleme dahil olmak üzere çeşitli sağlık alanlarında giderek daha önemli hale gelmektedir. Hastalık tespiti, teşhisi ve tedavi planlamasının doğruluğunu, hızını artırma potansiyeline sahiptir. Özellikle, derin öğrenme modelleri, büyük veri kümelerinden karmaşık özellikleri otomatik olarak öğrenerek tıbbi görüntü analizinde umut verici sonuçlar göstermektedir. Bu çalışma, farklı derin öğrenme modellerinin beyin tümörlerinin MRI taramalarındaki performansını değerlendirmekte, elde edilen performans sonuçlarını sunmaktadır. Çalışmada veri kümesi 'Tümör Yok', 'Hipofiz Tümörü', 'Meningioma Tümörü' ve 'Glioma Tümörü' olmak üzere dört sınıftan oluşmaktadır. Çalışmada, veri seti beş farklı model kullanarak eğitilmiştir. Bu modeller EfficientNet, ResNet, VGG-16, Inception-V3 ve DenseNet’tir. Bu modellerin performansı test edilmiştir ve sonuçlar görselleştirilerek analiz edilmiştir. Elde edilen sonuçlar, derin öğrenme modellerinin beyin tümörlerini MR görüntülerinden sınıflandırmada umut verici bir performansa sahip olduğunu, birçok modelin %90'ın üzerinde doğruluk oranlarına ulaştığını göstermektedir. Ancak daha detaylı incelendiğinde EfficientNet %96 oranla doğruluk, tümör yok sınıfı için %94 oranla f1-skor, %94 oranla kesinlik, %94 oranla duyarlılık, glioma tümör için %99 oranla f1-skor, %100 oranla kesinlik, %99 oranla duyarlılık göstermiştir. ResNet ise %98 oranla doğruluk, tümör yok sınıfı için %97 oranla f1-skor, %99 oranla kesinlik, %95 oranla duyarlılık glioma tümör için %100 oranla f1-skor, %100 oranla kesinlik, %100 oranla duyarlılık göstermiştir. Bu oranlara bakıldığında EfficientNet ve ResNet modellerinin özellikle 'Tümör Yok' ve 'Glioma Tümör' sınıflarında en yüksek performansı gösterdiği görülmektedir. Bu nedenle, bu modeller bu uygulama için en uygun modeller olarak kabul edilmektedir. Genel olarak, bu çalışma, beyin tümörü MR görüntülemede farklı derin öğrenme modellerinin performansına ilişkin değerli bilgiler sağlar, bu alanda gelecekteki araştırmalara bilgi vermektedir.
Primary Language | Turkish |
---|---|
Subjects | Engineering |
Journal Section | Articles |
Authors | |
Early Pub Date | July 13, 2023 |
Publication Date | July 13, 2023 |
Acceptance Date | June 21, 2023 |
Published in Issue | Year 2023 Volume: 6 Issue: 1 |
Uluborlu Journal of Vocational Sciences