A hybrid transfer learning model for brain tumor classification
[ X ]
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Beyin tümörleri dünya çapında en yaygın ve ölümcül hastalıklardan biridir. Hastanın yaşam beklentisini uzatmak için beyin tümörlerini erken aşamada tespit etmek çok önemlidir. Ancak, beyin tümörlerini manuel olarak sınıflandırmak zor ve zaman alıcı bir iştir. Bu çalışmada beyin tümörlerini otomatik olarak sınıflandırmak için hibrit transfer öğrenme modeli önerilmektedir.Önerilen yaklaşımın dört adımı ön işleme ve veri artırma, derin özellik çıkarımlarının birleşimi, ince ayar ve sınıflandırmadır. Önerilen model, halka açık dört genel veri setinde doğrulanmıştır: Br35H, Nickparvar, Figshare ve Sartaj. Önerilen model tüm veri setlerinde en yüksek doğruluk değerlerine ulaştı: Br35H'de %99.66, Figshare'de %97.56, Nickparvar'da %97.08, ve Sartaj'da %93.74. Önerilen model, beyin tümörlerinin sınıflandırılmasında diğer modern modellere göre daha etkili bir performansa sahiptir.
Brain tumors are one of the most common and fatal diseases globally. It is crucial to detect brain tumors at an early stage to increase the patient's life expectancy. Nonetheless, classifying brain tumors manually is a difficult and time-consuming task. A hybrid transfer learning model is suggested in this study to classify brain tumors automatically. The four steps of the suggested approach are preprocessing and data augmentation, fusion of deep feature extractions, fine-tuning, and classification. VGG16, ResNet50, and MobileNetV2 CNN pre-trained models are fused to increase the number of informative features and reduce overfitting. The suggested model is validated on four public available datasets: Br35H, Nickparvar, Figshare, and Sartaj. The proposed model achieved the highest accuracy values in all datasets: 99.66% on Br35H, 97.56% on Figshare, 97.08% on Nickparvar, and 93.74% on Sartaj. The suggested model is more effective than other cutting-edge models in classifying brain tumors.
Brain tumors are one of the most common and fatal diseases globally. It is crucial to detect brain tumors at an early stage to increase the patient's life expectancy. Nonetheless, classifying brain tumors manually is a difficult and time-consuming task. A hybrid transfer learning model is suggested in this study to classify brain tumors automatically. The four steps of the suggested approach are preprocessing and data augmentation, fusion of deep feature extractions, fine-tuning, and classification. VGG16, ResNet50, and MobileNetV2 CNN pre-trained models are fused to increase the number of informative features and reduce overfitting. The suggested model is validated on four public available datasets: Br35H, Nickparvar, Figshare, and Sartaj. The proposed model achieved the highest accuracy values in all datasets: 99.66% on Br35H, 97.56% on Figshare, 97.08% on Nickparvar, and 93.74% on Sartaj. The suggested model is more effective than other cutting-edge models in classifying brain tumors.
Açıklama
Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
