Brain tumor detection using U-net deep learning models

Abstract

Tıbbi görüntü işleme, çeşitli tıbbi problemlerde; kanser, diyabet vb. hastalıkların teşhisinde yaygın olarak kullanılmaktadır. Kanser hastalığı son zamanlarda artış gösteren ve ölüme sebebiyet veren ciddi bir rahatsızlıktır. Sağlık alanında en çok ihtiyaç duyulan konulardan biri de vücuttaki kanserli bölgenin erken sürede teşhisidir. Manyetik rezonans görüntüleme ile elde edilen görüntülerden beyin tümörünü otomatik olarak tespit eden bir uygulama, sağlık çalışanlarına zaman kazandırırken; kanserde daha erken teşhise olanak sağlarken insandan kaynaklı hata oranını da en aza indirebilir. Bu tez çalışmasında beyin tümörünün teşhisi için Klasik U-net, U-Net+VGG16, U-Net+ResNet50 ve U-Net++ Evrişimli Sinir Ağları önerilmiştir. Bu yöntemler ile tümor segmentasyonu gerçekleştirilmiş ve tahminler oluşturulmuştur. Sonuçlar, dice coefficient, hassaslık, özgüllük ve Jaccard İndeksi olarak verilmiş ve bu oranlar karşılaştırılmıştır. Uygulama sonuçları karşılaştırıldığında, en yüksek doğruluk değerine U-Net++ ile ulaşıldığı görülmüştür.

Medical image processing, in various medical problems; cancer, diabetes etc. It is widely used in the diagnosis of diseases. Cancer is a serious disease that has increased in recent years and caused death. One of the most needed issues in the field of health is the early diagnosis of the cancerous area in the body. An application that automatically detects a brain tumor from images obtained with magnetic resonance imaging saves time for healthcare professionals; While it enables earlier diagnosis in cancer, it can also minimize the human error rate. In this thesis, Classical U-net, U-Net+VGG16, U-Net+ResNet50 and U-Net++ Convolutional Neural Networks are proposed for the diagnosis of brain tumor. With these methods, tumor segmentation was performed and predictions were created. The results were given as dice coefficient, sensitivity, specificity and Jaccard Index and these ratios were compared. When the application results were compared, it was seen that the highest accuracy value was achieved with U-Net++.