Classification of brain tumors using wavelet transform and Inception v3 convolutional neural network model
Abstract
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%.
Keywords
Brain tumor discrete wavelet transform Inception v3 convolutional neural networks transfer learning
References
- 1. Ferlay J., Soerjomataram I., Dikshit R., Eser S., Mathers C., Rebelo M., Parkin D.M., Forman D., Bray F., Cancer incidence and mortality worldwide: Sources, methods and major patterns in GLOBOCAN 2012, International Journal of Cancer, 136 (5), 359 – 386, 2014.
- 2. Karayeğen G., Akşahin M.F., Brain tumor prediction with deep learning and tumor volume calculation, 2021 Medical Technologies Congress (TIPTEKNO), Antalya-Türkiye, 4-6 Kasım, 2021.
- 3. Yüksel Z., Manyetik rezonans görüntüleme fizik temelleri ve sistem bileşenleri, Black Sea Journal of Engineering and Science, 2 (2), 57-65, 2019.
- 4. Aslan M., Derin öğrenme tabanlı otomatik beyin tümör tespiti, Fırat Üniversitesi Müh. Bil. Dergisi, 34 (1), 399-407, 2021.
- 5. Özkaraca, O., Bağrıaçık, O.İ., Gürüler, H., Khan, F., Hussain, J., Khan, J., Laila, U., Multiple brain tumor classification with dense CNN architecture using brain MRI images. Life, 13 (349), 2023.
- 6. Gómez-Guzmán, M.A., Jiménez-Beristain, L., García-Guerrero, E.E., López-Bonilla, O.R., Tamayo-Pérez, U.J., Esqueda-Elizondo, J.J., Palomino-Vizcaino, K., Inzunza-González, E., Classifying brain tumors on magnetic resonance imaging by using convolutional neural networks, Electronics, 12 (955), 1-22, 2023.
- 7. R. Ali, S. Al-jumaili, A. D. Duru, O. N. Uçan, A. Boyaci, D. G. Duru, Classification of brain tumors using MRI images based on convolutional neural network and supervised machine learning algorithms, 2022 International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), Ankara-Türkiye, 20-22 Ekim, 2022
- 8. Nickparvar M., Brain tumor MRI dataset, https://www.kaggle.com/datasets/masoudnickparvar/brain-tumor-mri-dataset, Erişim tarihi Kasım 11, 2022.
- 9. Aggarwal N., Agrawal R.K., First and second order statistics features for classification of magnetic resonance brain images, Journal of Signal and Information Processing, 3, 146-153, 2012.
- 10. Arı N., Özen Ş., Çolak Ö.H., Dalgacık Teorisi, Palme Yayıncılık, Ankara, 2008.
- 11. Mehrotra R., Ansari M.A., Agrawal R., Anand R.S., A Transfer Learning approach for AI-based classification of brain tumors, Machine Learning with Applications, 2, 1-12, 2020.
- 12. Eker A.G., Duru N., Medikal görüntü işlemede derin öğrenme uygulamaları, Acta Infologica, 5 (2), 459-474, 2021.
- 13. Kızrak M.A., Bolat B., Derin öğrenme ile kalabalık analizi üzerine detaylı bir araştırma, Bilişim Teknolojileri Dergisi, 11 (3), 263-285, 2018.
- 14. Gürkahraman K., Karakış R., Brain tumors classification with deep learning using data augmentation, Journal of the Faculty of Engineering and Architecture of Gazi University, 36 (2), 997-1011, 2021.
- 15. Arı A., Hanbay D., Tumor detection in MR images of regional convolutional neural networks, Journal of the Faculty of Engineering and Architecture of Gazi University, 34 (3), 1395-1408, 2019.
- 16. Basha S.H.S., Dubey S.R., Pulabaigari V., Mukherjee S., Impact of fully connected layers on performance of convolutional neural networks for image classification, Neurocomputing, 378, 112-119, 2020.
- 17. Amidi A., Amidi S., Evrişimli sinir ağları el kitabı, https://stanford.edu/~shervune/l/tr/teachung/cs-230/cheatsheet-convolutuonal-neural-networks/, Erişim tarihi Kasım 14, 2022.
- 18. Lakshmi M.J., Nagaraja Rao S., Brain tumor magnetic resonance image classification: a deep learning approach. Soft Computing, 26, 6245–6253, 2022.
- 19. Advanced Guide to Inception v3, https://cloud.google.com/tpu/docs/inception-v3-advanced, Erişim tarihi Kasım 25, 2022.
Dalgacık dönüşümü ve Inception v3 evrişimli sinir ağı modeli kullanarak beyin tümörlerinin sınıflandırılması
Abstract
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.
References
- 1. Ferlay J., Soerjomataram I., Dikshit R., Eser S., Mathers C., Rebelo M., Parkin D.M., Forman D., Bray F., Cancer incidence and mortality worldwide: Sources, methods and major patterns in GLOBOCAN 2012, International Journal of Cancer, 136 (5), 359 – 386, 2014.
- 2. Karayeğen G., Akşahin M.F., Brain tumor prediction with deep learning and tumor volume calculation, 2021 Medical Technologies Congress (TIPTEKNO), Antalya-Türkiye, 4-6 Kasım, 2021.
- 3. Yüksel Z., Manyetik rezonans görüntüleme fizik temelleri ve sistem bileşenleri, Black Sea Journal of Engineering and Science, 2 (2), 57-65, 2019.
- 4. Aslan M., Derin öğrenme tabanlı otomatik beyin tümör tespiti, Fırat Üniversitesi Müh. Bil. Dergisi, 34 (1), 399-407, 2021.
- 5. Özkaraca, O., Bağrıaçık, O.İ., Gürüler, H., Khan, F., Hussain, J., Khan, J., Laila, U., Multiple brain tumor classification with dense CNN architecture using brain MRI images. Life, 13 (349), 2023.
- 6. Gómez-Guzmán, M.A., Jiménez-Beristain, L., García-Guerrero, E.E., López-Bonilla, O.R., Tamayo-Pérez, U.J., Esqueda-Elizondo, J.J., Palomino-Vizcaino, K., Inzunza-González, E., Classifying brain tumors on magnetic resonance imaging by using convolutional neural networks, Electronics, 12 (955), 1-22, 2023.
- 7. R. Ali, S. Al-jumaili, A. D. Duru, O. N. Uçan, A. Boyaci, D. G. Duru, Classification of brain tumors using MRI images based on convolutional neural network and supervised machine learning algorithms, 2022 International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), Ankara-Türkiye, 20-22 Ekim, 2022
- 8. Nickparvar M., Brain tumor MRI dataset, https://www.kaggle.com/datasets/masoudnickparvar/brain-tumor-mri-dataset, Erişim tarihi Kasım 11, 2022.
- 9. Aggarwal N., Agrawal R.K., First and second order statistics features for classification of magnetic resonance brain images, Journal of Signal and Information Processing, 3, 146-153, 2012.
- 10. Arı N., Özen Ş., Çolak Ö.H., Dalgacık Teorisi, Palme Yayıncılık, Ankara, 2008.
- 11. Mehrotra R., Ansari M.A., Agrawal R., Anand R.S., A Transfer Learning approach for AI-based classification of brain tumors, Machine Learning with Applications, 2, 1-12, 2020.
- 12. Eker A.G., Duru N., Medikal görüntü işlemede derin öğrenme uygulamaları, Acta Infologica, 5 (2), 459-474, 2021.
- 13. Kızrak M.A., Bolat B., Derin öğrenme ile kalabalık analizi üzerine detaylı bir araştırma, Bilişim Teknolojileri Dergisi, 11 (3), 263-285, 2018.
- 14. Gürkahraman K., Karakış R., Brain tumors classification with deep learning using data augmentation, Journal of the Faculty of Engineering and Architecture of Gazi University, 36 (2), 997-1011, 2021.
- 15. Arı A., Hanbay D., Tumor detection in MR images of regional convolutional neural networks, Journal of the Faculty of Engineering and Architecture of Gazi University, 34 (3), 1395-1408, 2019.
- 16. Basha S.H.S., Dubey S.R., Pulabaigari V., Mukherjee S., Impact of fully connected layers on performance of convolutional neural networks for image classification, Neurocomputing, 378, 112-119, 2020.
- 17. Amidi A., Amidi S., Evrişimli sinir ağları el kitabı, https://stanford.edu/~shervune/l/tr/teachung/cs-230/cheatsheet-convolutuonal-neural-networks/, Erişim tarihi Kasım 14, 2022.
- 18. Lakshmi M.J., Nagaraja Rao S., Brain tumor magnetic resonance image classification: a deep learning approach. Soft Computing, 26, 6245–6253, 2022.
- 19. Advanced Guide to Inception v3, https://cloud.google.com/tpu/docs/inception-v3-advanced, Erişim tarihi Kasım 25, 2022.
Details
| Primary Language | Turkish |
|---|---|
| Subjects | Engineering |
| Journal Section | Makaleler |
| Authors | |
| Early Pub Date | May 16, 2024 |
| Publication Date | May 20, 2024 |
| Submission Date | December 20, 2022 |
| Acceptance Date | September 17, 2023 |
| Published in Issue | Year 2024 Volume: 39 Issue: 3 |