BRAIN TUMOR DETECTION AND CLASSIFICATION USING CONVOLUTIONAL NEURAL NETWORK (CNN)

Abstract

ABSTRACT

Brain tumor, according to the World Health Organization (WHO) one of the significant causes of death worldwide. Due to its complexity and silent nature, early detection of this disease makes it hard to detect. The associated danger of clinical occurrences, which makes it a severe public health condition globally, is affiliated with chronic brain tumor disease. Even though it is widely accepted that chronic brain tumor disease has significant interactions with magnified hazards of end-stage excretory organ disease, vessel occurrences and all-cause mortality, there is still a lack of comfortable information on individual patients. We will apply the deep learning-based Convolutional Neural Network (CNN) technique for this brain tumor prediction problem which no one has used so far in the research, especially on Image Dataset. The CNN has been a popular method and highly sought-after model classification in today’s society. The CNN based expert system works like the human brain with input, neurons, hidden layers and output. For this research, chronic brain tumor images of healthy and unhealthy images are collected with good lighting conditions to identify all hidden features. The image samples are then passed through different image processing methods such as Grayscale, Complement, Robert, Resize and power Transform. The chronic is then passed through a texture feature extraction algorithm know as Convolutional Neural Network (CNN). The features are Contrast, Correlation, energy, Homogeneity, Entropy, Mean, Standard deviation, Variance, skewness and Kurtosis. After the feature extraction, the data are arranged on a spreadsheet, which serves as a record. Lastly, a convolutional neural network has one hidden layer, 16 input neurons, and two healthy or not outputs. The data are split into train and test datasets with 70% for training, 10% validation and 20% for testing. The detection accuracy was 92.78%, with the execution time of 5.33s only depending on 60 epochs. For the confusion matrix of brain tumor detection and classification, an accuracy of 97.9% was recorded, a precision of 98.3% was accounted with a recall of 98.5%, and an AUC of 99.7% was calculated for this dedicated research work.

ÖZET

Beyin tümörü, Dünya Sağlık Örgütü'ne (WHO) göre dünya çapında önemli ölüm nedenlerinden biridir. Karmaşıklığı ve sessiz doğası nedeniyle bu hastalığın erken teşhisi, tespit edilmesini zorlaştırmaktadır. Onu küresel olarak ciddi bir halk sağlığı durumu haline getiren klinik oluşumların ilişkili tehlikesi, kronik beyin tümörü hastalığına bağlıdır. Kronik beyin tümörü hastalığının, son dönem boşaltım organı hastalığı, damar oluşumları ve tüm nedenlere bağlı ölümlerin büyütülmüş tehlikeleri ile önemli etkileşimleri olduğu yaygın olarak kabul edilse de, bireysel hastalar hakkında hala rahat bilgi eksikliği vardır. Araştırmada şimdiye kadar kimsenin kullanmadığı bu beyin tümörü tahmin problemi için özellikle Görüntü Veri Kümesi üzerinde derin öğrenme tabanlı Evrişimsel Sinir Ağı (CNN) tekniğini uygulayacağız. CNN, günümüz toplumunda popüler bir yöntem ve çok aranan bir model sınıflandırması olmuştur. CNN tabanlı uzman sistem, girdi, nöronlar, gizli katmanlar ve çıktı ile insan beyni gibi çalışır. Bu araştırma için, sağlıklı ve sağlıksız görüntülerin kronik beyin tümörü görüntüleri, tüm gizli özellikleri belirlemek için iyi aydınlatma koşullarıyla toplanır. Görüntü örnekleri daha sonra Grayscale, Complement, Robert, Resize ve power Transform gibi farklı görüntü işleme yöntemlerinden geçirilir. Kronik daha sonra Evrişimsel Sinir Ağı (CNN) olarak bilinen bir doku özelliği çıkarma algoritmasından geçirilir. Özellikler Kontrast, Korelasyon, Homojenlik, Entropi, Ortalama, Standart sapma, Varyans, çarpıklık ve Basıklıktır. Özellik çıkarımından sonra veriler, kayıt işlevi gören bir elektronik tablo üzerinde düzenlenir. Son olarak, evrişimli bir sinir ağının bir gizli katmanı, 16 giriş nöronu ve iki sağlıklı veya sağlıklı çıktısı vardır. Veriler %70 eğitim, %10 doğrulama ve %20 test için olmak üzere eğitim ve test veri kümelerine bölünür. Algılama doğruluğu, yalnızca 60 çağa bağlı olarak 5.33 saniyelik yürütme süresi ile %92.78 idi. Beyin tümörü tespiti ve sınıflandırmasının karışıklık matrisi için, %97,9'luk bir doğruluk kaydedildi, %98,3'lük bir kesinlik, %98,5'lik bir geri çağırma ile hesaplandı ve bu özel araştırma çalışması için %99,7'lik bir AUC hesaplandı.