BRAIN TUMOR SEGMENTATION AND CLASSIFICATION USING MACHINE LEARNING

Abstract

ABSTRACT

A brain tumor is a collection of aberrant tissues, which makes it possible to classify them using MRI before beginning therapy. Tumor segmentation and classification from brain MRI scans are well-known to be challenging and important endeavors. However, this segmentation and classification can be used in diagnostics, preoperative planning, and postoperative evaluations. Therefore, this segmentation and classification can be used in diagnostics, preoperative planning, and postoperative evaluations. The development of machine learning models and other technologies will let radiologists detect malignancies without having to cut into patients. This thesis used a combination of fuzzy clustering techniques with thresholding and morphological operations following MRI contrast enhancement. The suggested model has two steps: extracting and measuring tumors (segmentation) and then using machine learning to identify and classify brain tumors. Pre-processing, skull stripping, and tumor segmentation are the steps in detecting a brain tumor and measurement (size and form). After a certain period, CNN gets overfitted because of the large number of training images used to train them. That is why we now have CNN that uses transfer learning. CNN-based Relu architecture and SVM with fused retrieved features via HOG and LPB are used to classify brain MRI tumors (glioma or meningioma). The methods' efficacy has been measured by precision, recall, F-measure, and accuracy. The results showed that the accuracy of SVM with combined LBP with HOG is 97%, and modified CNN of 98%.

ÖZET

Beyin tümörleri tedaviye başlamadan önce MRG ile sınıflandırılmaları mümkün olan aberrant dokular koleksiyonudur. MRG taramalarının kullanılmasıyla yapılan tümör segmentasyonunun ve sınıflandırmasının zorlayıcı ve önemli çabalar olduğu bilinmektedir. Ancak bu segmentasyon ve sınıflandırma teşhis, preoperatif planlama ve postoperatif değerlendirmelerde kullanılabilir. Makine öğrenmesi modellerinin ve diğer teknolojilerin geliştirilmesi radyologların malinensileri hastaları esip biçmeden tespit edebilmelerini sağlayacaktır. Bu tezde MRG kontrast pekiştirme ardından sınırları belirsiz kümeleme teknikleri ve eşik oluşturma ve morfolojik işlemler kullanılmıştır. Önerilen model iki adımdan oluşmaktadır: tümörlerin ekstrakte edilmesi ve ölçümlerinin yapılması (segmentasyon) ve sonra beyin tümörlerinin tanımlanması ve sınıflandırılması için makine öğrenmesinin kullanılması. Ön işleme, kafatasının şeritlerle işaretlenmesi ve tümör segmentasyonu beyin tümörünün tespiti ve ölçümünde (büyüklük ve form) kullanılan adımlardır. Belli bir süre sonra CNN. eğitimi için kullanılan eğitim kalemlerinin büyük sayısı nedeniyle CNN aşırı uyum göstermeye başlar. Artık aktarımlı öğrenme yöntemini kullanan CNN kullanmamızın nedeni budur. Beyin MRG’lerinde görülen tümörleri (glioma veya meningioma) sınıflandırmak için CNN bazlı Relu mimarisi ve HOG ve LPB üzerinden alınan özelliklerin birleştirildiği SVM kullanılır. Yöntemlerin etkililiği presisyon, geri çağırma, F-ölçümü ve doğrulukla ölçülmüştür. Sonuçlar LBP ve HOG ve modifiye CNN ile kombine SVM doğruluğunun %98 olduğunu göstermiştir