Bu çalışma, beyin Magnetic Resonance Imaging (MRI) görüntülerini glioma, meningioma, pituitary tumor ve tümör bulunmayan görüntü olmak üzere dört sınıfa ayırmak için önceden eğitilmiş ResNet50 mimarisine dayalı Convolutional Neural Network (CNN) ve transfer learning yaklaşımını MATLAB ortamında uygulamaktadır. Yaklaşık 2.860 MRI görüntüsünden oluşan veri koleksiyonu Kaggle, Radiopaedia ve The Cancer Imaging Archive (TCIA) gibi kamuya açık kaynaklardan elde edildiği belirtilen görüntülerden oluşturulmuş; görüntüler MATLAB imageDatastore yapısıyla yönetilmiş, veri artırımı uygulanmış ve modelin son sınıflandırma katmanı dört sınıfa göre değiştirilmiştir.

Kaynakta 10 farklı eğitim şeması karşılaştırılmıştır. En yüksek bildirilen doğruluk, 50 epoch, mini-batch size 16, learning rate 0.001 ve 1.250 iterasyon kullanılan şemada %98'dir. Bu eğitimin süresi kaynakta 293 saniye olarak verilmiştir. Ayrıca dört sınıfın her biri için ayrı ayrı sunulan 10 görüntülük yeni veri denemelerinde tüm örnekler doğru sınıflandırılmış ve ortalama tahmin süreleri yaklaşık 0.0038–0.0045 saniye/görüntü aralığında raporlanmıştır.

Model MATLAB R2023b App Designer ile geliştirilen bir grafik kullanıcı arayüzüne entegre edilmiştir. Buna rağmen çalışmanın sonuçları klinik tanısal doğrulama olarak değerlendirilmemelidir. Makalede bağımsız harici test kohortu, hasta-düzeyinde veri ayrımı, sensitivity, specificity, precision, recall, F1-score, ROC-AUC veya prospektif klinik doğrulama raporlanmamaktadır. Bu nedenle geliştirilen sistem, kaynak kapsamı içinde bir MRI sınıflandırma araştırma prototipi ve karar-destek yaklaşımı olarak yorumlanmalıdır.

ResNet50 MRI Görüntülerinde Beyin Tümörünü Nasıl Sınıflandırıyor?

Bu çalışmada ResNet50, MRI görüntüsündeki görsel örüntüleri CNN katmanlarıyla otomatik olarak temsil eden önceden eğitilmiş bir ağ olarak kullanılmakta; transfer learning ile son fully connected sınıflandırma katmanı dört hedef sınıfa uyarlanmakta ve ağ, glioma, meningioma, pituitary tumor veya no-tumor etiketi üretmektedir.

CNN ve residual learning yaklaşımının rolü

Convolutional Neural Network, görüntülerdeki kenar, doku, biçim ve daha üst düzey yapısal örüntüleri ardışık konvolüsyon katmanları aracılığıyla öğrenebilen bir derin öğrenme yapısıdır. Kaynak, CNN'nin manuel feature extraction gereksinimini azaltmasını bu çalışmanın temel gerekçelerinden biri olarak göstermektedir.

ResNet50 ise residual learning yapısını kullanan daha derin bir CNN mimarisidir. Residual bağlantılar, derin ağlarda bilginin ve gradyanın katmanlar arasında daha doğrudan aktarılmasını destekleyerek çok katmanlı ağların eğitilmesini kolaylaştırmayı amaçlar. Bu çalışmada ağ sıfırdan kurulmamış; önceden eğitilmiş ResNet50 transfer learning amacıyla kullanılmıştır.

Bu çalışmadaki “tahmin” ne anlama geliyor?

Kaynağın başlığında sınıflandırma ve tahmin ifadeleri birlikte kullanılmaktadır. Buradaki tahmin, hastanın gelecekteki klinik seyrini, yaşam beklentisini veya tümör büyümesini öngören prognostik tahmin değildir. Modelin çıktısı bir MRI görüntüsünün dört sınıftan hangisine ait olduğuna yönelik sınıf tahminidir.

Kullanılan dört görüntü sınıfı

Araştırma pipeline'ı

Kaynak Şekil 1 araştırma sürecini sekiz temel adımla göstermektedir: veri toplama, veriyi okuma, veriyi bölme, veri artırımı, CNN modelini oluşturma, CNN modelini eğitme, CNN test sonucunu kaydetme ve yeni veriyi test etme.

MATLAB tarafında görüntüler imageDatastore ile okunmakta ve klasör adlarından sınıf etiketleri otomatik oluşturulmaktadır. Verilerin sınıflara göre dengeli biçimde bölünmesi için splitEachLabel kullanılmaktadır.

Veri artırımı neden uygulanıyor?

Kaynak, eğitim verisinin çeşitliliğini artırmak ve overfitting riskini azaltmak için rotasyon, translasyon, zoom ve yatay yansıma kullandığını belirtmektedir. Bu işlemler MATLAB'daki imageDataAugmenter ve augmentedImageDatastore yapıları üzerinden uygulanmaktadır.

Bununla birlikte makale rotasyon açısı, translasyon miktarı, zoom aralığı veya yansımanın hangi olasılıkla uygulandığını raporlamamaktadır. Bu nedenle veri artırımı yaklaşımı bilinse de tam augmentasyon protokolü kaynak üzerinden birebir yeniden üretilememektedir.

Veri seti nasıl bölündü?

Kaynak yöntem bölümünde ikinci parçayı bazı yerlerde “validasi/pengujian”, yani doğrulama/test olarak ifade etmektedir. Sonuç bölümünde ise eğitim, doğrulama ve testten üç ayrı görev gibi söz edilmesine rağmen sayısal olarak yalnız 2.288 eğitim ve 572 doğrulama görüntüsü raporlanmaktadır. Bağımsız üçüncü bir test kümesinin boyutu verilmemektedir.

ResNet50 nasıl uyarlandı?

Kaynak önceden eğitilmiş ResNet50 modelinin kullanıldığını ve son fully connected katmanın dört hedef sınıfa göre değiştirildiğini belirtmektedir. Böylece önceden öğrenilmiş görüntü özellikleri korunurken çıkış katmanı beyin MRI sınıflandırma görevine uyarlanmıştır.

Ancak kaynak hangi katmanların dondurulduğunu, hangi katmanların yeniden eğitildiğini, katmanlara farklı learning-rate factor uygulanıp uygulanmadığını veya kullanılan girdi görüntü boyutlandırma protokolünü ayrıntılandırmamaktadır.

Çalışmanın Yöntemi ve Bulguları

Ana eğitim ayarları

Kaynağın yöntem bölümündeki ana eğitim yapılandırması Adam optimizer, 50 epoch, mini-batch size 16, learning rate 0.001 ve dropout 0.5 olarak verilmiştir. Eğitim MATLAB trainNetwork() fonksiyonuyla gerçekleştirilmiştir. Eğitilmiş ağ daha sonra .mat dosyası olarak kaydedilerek tekrar eğitim yapmadan kullanılabilmektedir.

Kaynakta Bildirilen %98 Doğruluk Ne Anlama Geliyor?

%98, kaynakta karşılaştırılan on eğitim yapılandırması arasındaki en yüksek doğruluk değeridir; ancak makale bu değerin tamamen bağımsız, harici ve hasta-düzeyinde ayrılmış bir klinik test kohortunda elde edildiğini göstermediği için değer en güvenli biçimde çalışmanın kendi iç veri bölünmesi üzerindeki en iyi model performansı olarak yorumlanmalıdır.

Tablo, daha fazla epoch veya daha uzun eğitim süresinin otomatik olarak daha yüksek doğruluk üretmediğini göstermektedir. Örneğin 100 epoch ve learning rate 0.001 kullanılan dokuzuncu şema %94 doğrulukta kalırken, 50 epoch ve aynı learning rate ile batch 16 kullanan ikinci şema %98'e ulaşmıştır. Bu sonuç yalnız kaynakta test edilen yapılandırmalar için geçerlidir.

Örnek yeni görüntü testleri

Kaynak daha sonra her sınıftan 10 yeni görüntü üzerinde ayrı test tablosu sunmaktadır. Dört tabloda da gösterilen 10 görüntünün tamamı doğru sınıfa atanmıştır.

Bu sonuçlar kaynakta gösterilen küçük örnek grupları için geçerlidir. Dört sınıfın her birindeki 10 doğru tahmin, bütün hedef popülasyonda veya bağımsız klinik merkezlerde %100 sınıf doğruluğu bulunduğunu kanıtlamaz.

Tahmin süresi nasıl yorumlanmalıdır?

Kaynak, görüntü başına birkaç milisaniyelik tahmin süreleri raporlamaktadır. Ancak işlemci, GPU, RAM ve inference donanımı belirtilmediği için bu değerler algoritmanın donanımdan bağımsız bir hızı olarak görülemez. Tahmin süresi, modelle birlikte çalıştırıldığı hesaplama ortamının da bir özelliğidir.

Confusion matrix ve sınıf-bağımlı hata analizi

Metodoloji bölümünde confusion matrix kullanılacağı belirtilmesine rağmen sonuçlarda tam veri kümesine ait görünür confusion matrix değerleri sunulmamaktadır. Sensitivity, specificity, precision, recall, F1-score ve ROC-AUC değerleri de raporlanmadığı için örneğin glioma ile meningioma arasındaki gerçek hata örüntüsü nicel olarak değerlendirilememektedir.

MATLAB App Designer arayüzü

Kaynak Şekil 3'te MATLAB R2023b App Designer ile geliştirilen uygulamanın ana ekranını göstermektedir. Arayüzde MRI görüntüsü gösterim alanı ve görüntü seçimi için “Pilih Gambar” kontrolü bulunmaktadır. “Prediksi”, “Latih Data” ve “Lihat Data” düğmeleri sırasıyla sınıflandırma, model eğitimi ve veri görüntüleme işlemlerine erişim sağlamaktadır.

Kaynak Şekil 4'te sınıflandırma tamamlandığında açılan “Prediksi Selesai” bildirim kutusu gösterilmektedir. Örnek ekranda sonuç pituitary_tumor olarak görüntülenmektedir. Bu GUI, modelin programlama kodu yazmadan kullanılabilmesini amaçlayan araştırma prototipidir.

Bu GUI Klinik Tanı İçin Yeterli Bir Sistem midir?

Hayır; kaynak GUI'nin teknik olarak MRI görüntüsü alıp dört sınıftan birini gösterebildiğini ortaya koymaktadır, ancak harici klinik doğrulama, prospektif hasta çalışması, radyolog karşılaştırması, hasta-bazlı veri ayrımı ve klinik hata ölçütleri raporlanmadığından uygulamanın bağımsız tıbbi tanı sistemi olarak doğrulandığı söylenemez.

Veri seti hakkında bilinmeyen kritik ayrıntılar

Makale veri görüntülerinin Kaggle, Radiopaedia ve TCIA'dan geldiğini belirtmektedir. Bununla birlikte hangi Kaggle datasetinin kullanıldığı, TCIA koleksiyon kimliği, Radiopaedia örneklerinin nasıl seçildiği, toplam hasta sayısı, aynı hastanın kaç kesitinin bulunduğu, MRI sekansları, cihaz üreticileri veya görüntü merkezleri belirtilmemektedir.

Veri bölme işleminin görüntü düzeyinde mi yoksa hasta düzeyinde mi yapıldığı da açıklanmamaktadır. Dolayısıyla eğitim ve doğrulama kümelerinde aynı hastaya ait farklı görüntülerin bulunmadığı kaynaktan doğrulanamaz. Bu bir veri sızıntısı kanıtı değildir; kaynak raporlamasının bu olasılığı değerlendirmeye yetmediğini gösterir.

Modelin yeniden üretilebilirlik sınırları

Çalışma ana hiperparametreleri açık biçimde verirken, görüntü yeniden boyutlandırma ve normalizasyon ayrıntıları, veri artırımı sınırları, random seed, exact train/validation indices, fine-tune edilen ResNet50 katmanları ve hesaplama donanımı raporlanmamıştır. Bu nedenle genel MATLAB iş akışı yeniden kurulabilir; fakat yayınlanan bilgilerle aynı %98 sonucun birebir yeniden üretilmesi garanti edilemez.

Çalışmanın desteklediği sonuçlar

Kaynak, verilen veri koleksiyonu ve MATLAB eğitim düzeni kapsamında ResNet50 transfer learning yaklaşımının dört sınıflı beyin MRI görüntü sınıflandırmasında yüksek iç performans sağlayabildiğini desteklemektedir. On eğitim şeması arasındaki en iyi sonuç %98 olarak bildirilmiştir. Ayrıca modelin MATLAB App Designer tabanlı kullanılabilir bir GUI prototipine entegre edilebildiği gösterilmiştir.

Çalışmanın desteklemediği genellemeler

Çalışma ResNet50 modelinin tüm hastanelerde, tüm MRI cihazlarında, farklı popülasyonlarda veya yeni klinik merkezlerde %98–100 tanısal doğruluk sağlayacağını göstermez. Kaynakta dış doğrulama kohortu veya prospektif klinik çalışma bulunmamaktadır.

Her sınıfta 10 örneğin doğru sınıflandırılması, sensitivity veya specificity'nin %100 olduğu anlamına gelmez. Aynı şekilde birkaç milisaniyelik tahmin süresi, donanım ayrıntısı verilmediği için bütün sistemlerde aynı hızın elde edileceğini göstermez.

Bu nedenle sistemin en doğru bilimsel tanımı, “MRI görüntülerinde dört sınıflı beyin tümörü sınıflandırması için MATLAB/ResNet50 tabanlı araştırma prototipi”dir.

Kaynak ve Yöntem Notu

Çalışmanın ana bilimsel sonucu, ResNet50 transfer learning yaklaşımının yazarların oluşturduğu yaklaşık 2.860 görüntülük veri koleksiyonunda yüksek sınıflandırma doğruluğu üretebilmesi ve MATLAB App Designer üzerinden kullanılabilir bir arayüze aktarılabilmesidir.

En önemli yöntemsel sınır, %80/%20 veri bölünmesinin raporlanmasına rağmen bağımsız test setinin açık sayısal tanımının bulunmamasıdır. Metin eğitim, doğrulama ve test kavramlarını ayrı kullanmaktadır; ancak görüntü sayıları yalnız eğitim ve doğrulama grupları için verilmektedir. Bu nedenle %98 değerinin tam olarak hangi değerlendirme alt kümesine ait olduğunun raporlaması yeterince açık değildir.

Kaynak ayrıca confusion matrix kullanımından söz etmektedir fakat sonuç bölümünde tam doğrulama/test kümesine ait görünür confusion matrix veya sensitivity, specificity, precision, recall, F1-score ve ROC-AUC değerleri raporlamamaktadır. Dört sınıf için verilen %100 sonuçlar ayrı ayrı 10 görüntülük örnek testlere aittir.

Hasta kimliği, görüntüleme sekansı, MRI cihazı, merkez, hasta-düzeyinde bölme, harici doğrulama ve hesaplama donanımı bilgileri bulunmadığından modelin klinik genellenebilirliği veya başka donanımlardaki hız performansı bu çalışma üzerinden belirlenemez.

Bu nedenle Verianla anlatımında sistem, hekim tanısının yerine geçen klinik karar verici olarak değil; yüksek iç doğruluk bildiren, dört sınıflı MRI sınıflandırması yapan MATLAB/ResNet50 araştırma prototipi olarak tanımlanmalıdır.