A Comparative Analysis of Vision Transformers and Transfer Learning for Brain Tumor Classification

Ahmet Solak

Makale detayları

A Comparative Analysis of Vision Transformers and Transfer Learning for Brain Tumor Classification

Yazarlar:

Ahmet Solak

Yayıncı:

Duzce University

Ana Başlıklar:

Derin Öğrenme | Sınıflandırma algoritmaları

Dergi:

Düzce Üniversitesi Bilim ve Teknoloji Dergisi Vol.13 Issue 1, pp.558-572

Belge Tipi:

Makale

Yayın Tarihi:

1/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001339865

pISSN:

2148-2446

Anahtar kelimeler:

Özet:

 Accurate brain tumor classification is crucial in neuro-oncology for guiding treatment plans and improving patient outcomes. Leveraging the potential of Vision Transformers ViTs, this study investigates their efficacy in binary classification of brain tumors using magnetic resonance MR images, comparing them to CNN-based models such as VGG16, VGG19, and ResNet50. Comprehensive evaluation using accuracy, precision, recall, and F1-score reveals ViTs superior performance, achieving 92.59 accuracy, surpassing VGG16 85.19, VGG19 74.04, and ResNet50 88.89. These findings highlight ViTs as a transformative tool for clinical adoption, enhancing diagnostic accuracy and patient care in neuro-oncology.

 Accurate brain tumor classification is crucial in neuro-oncology for guiding treatment plans and improving patient outcomes. Leveraging the potential of Vision Transformers ViTs, this study investigates their efficacy in binary classification of brain tumors using magnetic resonance MR images, comparing them to CNN-based models such as VGG16, VGG19, and ResNet50. Comprehensive evaluation using accuracy, precision, recall, and F1-score reveals ViTs superior performance, achieving 92.59 accuracy, surpassing VGG16 85.19, VGG19 74.04, and ResNet50 88.89. These findings highlight ViTs as a transformative tool for clinical adoption, enhancing diagnostic accuracy and patient care in neuro-oncology.

 Accurate brain tumor classification is crucial in neuro-oncology for guiding treatment plans and improving patient outcomes. Leveraging the potential of Vision Transformers ViTs, this study investigates their efficacy in binary classification of brain tumors using magnetic resonance MR images, comparing them to CNN-based models such as VGG16, VGG19, and ResNet50. Comprehensive evaluation using accuracy, precision, recall, and F1-score reveals ViTs superior performance, achieving 92.59 accuracy, surpassing VGG16 85.19, VGG19 74.04, and ResNet50 88.89. These findings highlight ViTs as a transformative tool for clinical adoption, enhancing diagnostic accuracy and patient care in neuro-oncology.

 Beyin tümörlerinin doğru sınıflandırılması, nöro-onkolojide tedavi planlarını yönlendirmek ve hasta sonuçlarını iyileştirmek için kritik öneme sahiptir. Bu çalışmada, Manyetik Rezonans MR görüntüleri kullanılarak Vision Transformers ViTs yönteminin beyin tümörlerinin ikili sınıflandırmasındaki etkinliği araştırılmış ve VGG16, VGG19 ve ResNet50 gibi CNN tabanlı modellerle karşılaştırılmıştır. Doğruluk, kesinlik, duyarlılık ve F1-skoru gibi kapsamlı değerlendirme metrikleri, ViTsin üstün performansını ortaya koymuştur; ViTs, 92,59 doğrulukla VGG16 85,19, VGG19 74,04 ve ResNet50yi 88,89 geride bırakmıştır. Bu bulgular, ViTsin nöro-onkolojide tanısal doğruluğu artıran ve hasta bakımını iyileştiren dönüştürücü bir araç olarak klinik uygulamalara entegrasyonu için umut vadeden bir yöntem olduğunu göstermektedir.

Makale detayları

A Comparative Analysis of Vision Transformers and Transfer Learning for Brain Tumor Classification

Yazarlar:

Ahmet Solak

Yayıncı:

Duzce University

Ana Başlıklar:

Derin Öğrenme | Sınıflandırma algoritmaları

Dergi:

Düzce Üniversitesi Bilim ve Teknoloji Dergisi Vol.13 Issue 1, pp.558-572

Belge Tipi:

Makale

Yayın Tarihi:

1/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001339865

pISSN:

2148-2446

Brain tumor classification

Vision transformers

Deep learning

Transfer learning

Medical imagingBeyin tümörü sınıflandırması

Görü dönüştürücü

Derin öğrenme

Transfer öğrenme

Tıbbi görüntüleme

Sayı

Makale detayları

Yazarlar: Ahmet Solak

Yayıncı: Duzce University

Ana Başlıklar: Derin Öğrenme | Sınıflandırma algoritmaları

Dergi: Düzce Üniversitesi Bilim ve Teknoloji Dergisi Vol.13 Issue 1, pp.558-572

Belge Tipi: Makale

Yayın Tarihi: 1/2025

Belge Dili: İngilizce

Document ID (Org No.): 2001339865

pISSN: 2148-2446

Sayı

Yazarlar:

Ahmet Solak

Yayıncı:

Duzce University

Ana Başlıklar:

Derin Öğrenme | Sınıflandırma algoritmaları

Dergi:

Düzce Üniversitesi Bilim ve Teknoloji Dergisi Vol.13 Issue 1, pp.558-572

Belge Tipi:

Makale

Yayın Tarihi:

1/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001339865

pISSN:

2148-2446