Derin Öğrenme ve Yapay Tavşan Temelli Hiperparametre Optimizasyonu Kullanarak Beyin Manyetik Rezonans Görüntülerinin Sınıflandırılması

Abstract

Bu tez çalışmasında, beyin manyetik rezonans (MR) görüntülerinden glioma, meningioma, no-tumor ve pituitary olmak üzere dört sınıflı beyin tümörü sınıflandırması için transfer öğrenme tabanlı çoklu mimari bir sınıflandırma yaklaşımı geliştirilmiştir. Çalışmada ResNet50, ResNet101, DenseNet169, DenseNet201 ve NASNetMobile mimarileri kullanılmış; bu mimariler Yapay Tavşan Optimizasyonu (YTO) ile belirlenen hiperparametreler altında değerlendirilmiştir. Öğrenme oranı, bırakma oranı (dropout oranı), tam bağlı katmandaki nöron sayısı ve ince ayara açılan son katman sayısı her mimari için ayrı ayrı optimize edilmiştir. Çalışmada iki farklı veri seti kullanılmıştır. Birinci veri seti 5.824 beyin MR görüntüsünden oluşmakta olup eğitim, doğrulama ve test alt kümeleri hazır klasör yapısı korunarak kullanılmıştır. Bu veri seti üzerinde modeller hem YTO öncesi hem de YTO sonrası değerlendirilmiştir. İkinci veri seti ise 7.023 görüntüden oluşmakta olup veri kaynağında ayrı bir doğrulama klasörü bulunmadığından, eğitim verisinin %20'si tabakalı ayrım (stratified ayrım) yöntemiyle doğrulama kümesi olarak ayrılmıştır. Hesaplama maliyeti, RAM kullanımı ve uzun eğitim süreleri nedeniyle ikinci veri setinde optimizasyon uygulanmayan temel modeller yeniden çalıştırılmamış; yalnızca YTO ile optimize edilmiş sınıflandırma hattının ek veri seti üzerindeki performansı incelenmiştir. Önerilen eğitim süreci iki aşamada yürütülmüştür. İlk aşamada ImageNet üzerinde önceden eğitilmiş taban ağları (backbone) katmanları dondurularak yalnızca sınıflandırma başlığı eğitilmiş, ikinci aşamada ise taban ağın son katmanları kısmen eğitime açılarak ince ayar yapılmıştır. Model performansları doğruluk, makro kesinlik, makro duyarlılık, makro F1 skoru, sınıf bazlı metrikler ve karışıklık matrisleri ile değerlendirilmiştir. Deneysel bulgulara göre Veri Seti-1 üzerinde en yüksek test performansı DenseNet201 modeli ile elde edilmiş; model 0.960 test doğruluğu ve 0.960 makro F1 skoru üretmiştir. Veri Seti-2 üzerinde ise en başarılı model ResNet101 olmuş; bu model 0.970 test doğruluğu ve 0.968 makro F1 skoru elde etmiştir. İki veri setinde farklı mimarilerin öne çıkması, model başarımının veri seti karakteristiğine, sınıf dağılımına ve eğitim-doğrulama-test ayrımına duyarlı olduğunu göstermektedir. Sınıf bazlı değerlendirmelerde no-tumor ve pituitary sınıflarının genellikle daha yüksek başarıyla sınıflandırıldığı, glioma ve meningioma sınıfları arasında ise görece daha fazla karışma meydana geldiği görülmüştür. Bu çalışma, dört sınıflı beyin MR görüntüsü sınıflandırmasında birden fazla transfer öğrenme mimarisini aynı çerçevede değerlendirmesi, YTO tabanlı hiperparametre optimizasyonunu model bazlı olarak uygulaması ve iki farklı veri seti üzerinde sonuç sunması bakımından katkı sağlamaktadır.In this thesis, a transfer learning-based multi-architecture classification framework was developed for four-class brain tumor classification from magnetic resonance imaging (MRI) images. The study focuses on the classification of glioma, meningioma, no-tumor, and pituitary classes. ResNet50, ResNet101, DenseNet169, DenseNet201, and NASNetMobile architectures were evaluated using hyperparameters determined by Artificial Rabbits Optimization (ARO). Learning rate, dropout rate, fully connected layer width, and the number of last layers opened for fine-tuning were optimized separately for each architecture. Two different datasets were used in this study. The first dataset consisted of 5.824 brain MRI images and was evaluated using the predefined training, validation, and test folder structure. On this dataset, model performances were compared before and after ARO-based hyperparameter optimization. The second dataset consisted of 7.023 images. Since this dataset did not include a separate validation folder, 20% of the training data was separated as a validation subset using a stratified split. Due to computational cost, RAM limitations, and long training times, non-optimized baseline models were not re-trained on the second dataset; instead, the performance of the ARO-optimized classification pipeline was evaluated on this additional dataset. The proposed training procedure was carried out in two stages. In the first stage, ImageNet-pretrained backbone layers were frozen and only the classification head was trained. In the second stage, the last layers of the backbone were partially unfrozen and fine-tuned. Model performances were evaluated using accuracy, macro precision, macro recall, macro F1 score, class-wise metrics, and confusion matrices. According to the experimental results, DenseNet201 achieved the best performance on Dataset-1 with a test accuracy of 0.960 and a macro F1 score of 0.960. On Dataset-2, ResNet101 achieved the best performance with a test accuracy of 0.970 and a macro F1 score of 0.968. The fact that different architectures achieved the best results on different datasets indicates that model performance is affected by dataset characteristics, class distribution, and training-validation-test splitting strategies. Class-wise evaluations showed that the no-tumor and pituitary classes were generally classified with higher performance, whereas relatively more confusion occurred between glioma and meningioma classes. This study contributes to four-class brain MRI image classification by evaluating multiple transfer learning architectures within the same framework, applying ARO-based hyperparameter optimization in an architecture-specific manner, and presenting results on two different datasets.