Classification of brain tumors using wavelet transform and Inception v3 convolutional neural network model

Zihni Kaya; Zafer Aslan; Ali Güneş; Ali Okatan

Makale detayları

Classification of brain tumors using wavelet transform and Inception v3 convolutional neural network model

Yazarlar:

Zihni Kaya | Zafer Aslan | Ali Güneş | Ali Okatan

Yayıncı:

Gazi University

Ana Başlıklar:

Mühendislik

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 3, pp.1945-1952

Belge Tipi:

Makale

Yayın Tarihi:

5/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001310079

pISSN:

1300-1884

Anahtar kelimeler:

Özet:

 In recent years, human deaths due to brain tumors have become widely common. Early and accurate diagnosis of the tumor is very important for the treatment of the disease. Classification of tumors from brain MRI images by specialists can be costly and inaccurate in terms of time. Therefore, there is a need for automatic classification of brain tumors. In this study, it is aimed to classify brain tumors with the developed application. Within the scope of this general purpose, a deep learning-based method has been proposed for the classification of brain tumors using wavelet features. Wavelet transform is used to extract features from images and reduce image size. Pre-trained Inception v3 model was preferred to explore informative features from brain MR images. The resulting features are transmitted to the softmax classifier to label the brain MRI images. The result obtained from this study; It has been tested on a dataset of 1621 gliomas, 1645 meningiomas, 1757 pituitary glands, and 2000 normal brain images, with an accuracy of 99.58.

 In recent years, human deaths due to brain tumors have become widely common. Early and accurate diagnosis of the tumor is very important for the treatment of the disease. Classification of tumors from brain MRI images by specialists can be costly and inaccurate in terms of time. Therefore, there is a need for automatic classification of brain tumors. In this study, it is aimed to classify brain tumors with the developed application. Within the scope of this general purpose, a deep learning-based method has been proposed for the classification of brain tumors using wavelet features. Wavelet transform is used to extract features from images and reduce image size. Pre-trained Inception v3 model was preferred to explore informative features from brain MR images. The resulting features are transmitted to the softmax classifier to label the brain MRI images. The result obtained from this study; It has been tested on a dataset of 1621 gliomas, 1645 meningiomas, 1757 pituitary glands, and 2000 normal brain images, with an accuracy of 99.58.

 In recent years, human deaths due to brain tumors have become widely common. Early and accurate diagnosis of the tumor is very important for the treatment of the disease. Classification of tumors from brain MRI images by specialists can be costly and inaccurate in terms of time. Therefore, there is a need for automatic classification of brain tumors. In this study, it is aimed to classify brain tumors with the developed application. Within the scope of this general purpose, a deep learning-based method has been proposed for the classification of brain tumors using wavelet features. Wavelet transform is used to extract features from images and reduce image size. Pre-trained Inception v3 model was preferred to explore informative features from brain MR images. The resulting features are transmitted to the softmax classifier to label the brain MRI images. The result obtained from this study; It has been tested on a dataset of 1621 gliomas, 1645 meningiomas, 1757 pituitary glands, and 2000 normal brain images, with an accuracy of 99.58.

 Son yıllarda, beyin tümörleri nedeniyle insan ölümleri yaygın olarak görülmektedir. Hastalığın tedavisi için tümörün erken ve doğru teşhisi oldukça önemlidir. Uzmanlar tarafından beyin MRG görüntülerinden tümörün sınıflandırılması zaman bakımından maliyetli ve hatalı olabilmektedir. Bu nedenle, beyin tümörlerinin otomatik olarak sınıflandırılmasına ihtiyaç duyulmaktadır. Bu çalışmada, geliştirilmiş olan uygulama ile beyin tümörlerinin sınıflandırılması amaçlanmıştır. Bu genel amaç kapsamında, dalgacık öznitelikleri kullanılarak beyin tümörlerinin sınıflandırılması için derin öğrenmeye dayalı bir yöntem önerilmiştir. Dalgacık dönüşümü, görüntülerden öznitelik çıkartmak ve görüntü boyutunu azaltmak için kullanılmıştır. Elde edilen dalgacık öznitelikleri beyin MR görüntülerinden bilgilendirici öznitelikleri keşfetmek için önceden eğitilmiş Inception v3 modelinin girdisi olarak kullanılmıştır. Sonrasında bu öznitelikler beyin MRG görüntülerini etiketlemek için softmax sınıflandırıcısına iletilmektedir. Bu çalışmadan elde edilen sonuç; 1621 gliyom, 1645 menenjiyom, 1757 hipofiz bezi ve 2000 normal beyin görüntüsünün bulunduğu veri seti üzerinde test edilmiş ve 99,58 doğruluk başarımı elde edilmiştir.

Makale detayları

Classification of brain tumors using wavelet transform and Inception v3 convolutional neural network model

Yazarlar:

Zihni Kaya | Zafer Aslan | Ali Güneş | Ali Okatan

Yayıncı:

Gazi University

Ana Başlıklar:

Mühendislik

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 3, pp.1945-1952

Belge Tipi:

Makale

Yayın Tarihi:

5/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001310079

pISSN:

1300-1884

Brain tumor

discrete wavelet transform

Inception v3

convolutional neural networks

transfer learningBeyin tümörü

ayrık dalgacık dönüşümü

evrişimli sinir ağları

transfer öğrenme

Inception v3

Sayı

Makale detayları

Yazarlar: Zihni Kaya | Zafer Aslan | Ali Güneş | Ali Okatan

Yayıncı: Gazi University

Ana Başlıklar: Mühendislik

Dergi: Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 3, pp.1945-1952

Belge Tipi: Makale

Yayın Tarihi: 5/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001310079

pISSN: 1300-1884

Sayı

Yazarlar:

Zihni Kaya | Zafer Aslan | Ali Güneş | Ali Okatan

Yayıncı:

Gazi University

Ana Başlıklar:

Mühendislik

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 3, pp.1945-1952

Belge Tipi:

Makale

Yayın Tarihi:

5/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001310079

pISSN:

1300-1884