Beyin tümörü sınıflandırmasını geliştirmek için PCA tabanlı özellik optimizasyonlu hibrit derin sinir ağı

Beyin tümörlerini erken tespit etmenin önemi

Beyin tümörleri, vücudun komuta merkezinde büyüdükleri ve genellikle ciddi belirtiler ortaya çıkana kadar sessiz kaldıkları için en korkulan kanser türlerinden biridir. Doktorlar bu tümörleri bulmak ve izlemek için MRG taramalarına güvenir, ancak modern cihazlar her hasta için binlerce ayrıntılı görüntü üretir. Ne kadar yetenekli olursa olsun bir radyolog, bu kadar çok bilgiyi hızlı ve tutarlı şekilde taramakta zorlanabilir. Bu çalışma, beyin taramalarını okuyup glioma, meningiom, hipofiz tümörü veya tümör yok olmak üzere dört gruba ayırarak önceki birçok yönteme denk ya da daha üstün doğruluk sağlayan bir bilgisayar sistemini anlatır.

Görünümleri sadeleştirerek karmaşayı azaltma

Çalışmanın merkezinde, MRG makinelerinden gelen görsel veri selini dizginleme çabası vardır. Yazarlar, başlangıçta gündelik fotoğraflar üzerinde eğitilmiş güçlü bir görüntü tanıma ağı olan DenseNet121 üzerinde yapar ve onu beyin taramalarındaki desenleri tanıyacak şekilde yeniden eğitirler. Görüntüler bu ağa ulaşmadan önce dikkatle hazırlanır: boyutları standart hale getirilir, kontrast düzleştirilir ve iyileştirilir, tümör içerebilecek bölgeler ise benzer pikselleri gruplandıran bir kümeleme yöntemiyle izole edilir. Bu adımlar bilgisayarın en çok önemli olan beyin dokusuna odaklanmasına yardımcı olur ve gürültü veya arka plan yapılarından kaynaklanan dikkat dağıtıcı unsurları azaltır.

Tümü bir arada: tümöre farklı bakış açıları

Sistem, yalnızca derin ağın kendi başına öğrendiklerine dayanmak yerine, radyologlar ve mühendislerin yıllardır kullandığı klasik görüntü tanımlayıcılarını da hesaplar. Bir küme, parlak ve koyu bölgelerin birbirine göre nasıl düzenlendiğini yakalar; bu, dokuya ait doku ve kenar bilgilerini öne çıkarır. Diğer bir küme, piksellerin yoğunluğundaki çok küçük yerel desenlere odaklanır ve dokudaki ince grenleri ortaya çıkarabilir. Üçüncüsü ise benzer yoğunlukların daha geniş alanlarda nasıl kümelendiklerini izler; bir bölgenin düzgün ve homojen mi yoksa yamalı ve düzensiz mi olduğunu vurgular. Bu üç bakış açısını tek bir özellik kümesinde birleştirerek, model her şüpheli tümör için derin öğrenmeden tek başına elde edilebilecek olandan daha zengin bir betimleme elde eder.

Veriyi yönetilebilir ve güvenilir kılmak

Her taramanın birleşik betimlemesi son derece yüksek boyutludur; bu durum öğrenme algoritmasını şaşırtabilir ve aşırı öğrenmeye—yani modelin eğitim görüntülerini ezberleyip genel kuralları öğrenememesine—yol açabilir. Bunu önlemek için yazarlar, bilgiyi sınıflandırma ağına beslemeden önce daha az sayıda bilgilendirici bileşene sıkıştırmak amacıyla temel bileşenler analizi (PCA) adı verilen matematiksel bir araç kullanırlar. Önemli olarak, bu adımların tümü gerçek klinik kullanım senaryosunu taklit edecek şekilde tasarlanmıştır: her hastanın taramaları ya eğitim grubunda ya da test grubunda tutulur, asla her ikisinde birden olmaz; böylece model aynı anatomiyi iki kez görerek hile yapamaz. Ağın kendisi, eğitim sırasında kasıtlı olarak rastgelelik ekleyen dropout katmanları ve veri karıştırma gibi teknikler içerir; bu da nihai sistemin yeni vakalara karşı daha dayanıklı olmasını sağlar.

Sistemin farklı tümörleri tanıma başarımı

Araştırmacılar yöntemlerini yaygın kullanılan bir halka açık koleksiyondaki yedi binden fazla MRG görüntüsü üzerinde test eder. Taramalar dört kategoriyi kapsar: glioma, meningiom, hipofiz tümörü ve normal beyin. Hibrit tasarımlarını kullanarak yaklaşık %95,9 genel doğruluğa ulaşırlar. Doğruluk, geri çağırma (recall) ve birleşik F1 skoru—vakaların ne kadarının doğru etiketlendiği ve hataların ne kadar olduğu hakkında standart ölçüler—her biri yaklaşık %94 dolayındadır. Model özellikle hipofiz tümörlerini ve normal beyinleri tanımada güçlüdür ve gliomları meningiomlarla, sınırları benzer görünebilen durumlarda, nadiren karıştırır. Öğrenme eğrileri, eğitim ve görülmemiş doğrulama görüntülerindeki performansın büyük boşluklar olmadan birlikte yükseldiğini gösterir; bu da ağın yaygın bir sorun olan aşırı öğrenmeden kaçındığını düşündürür.

Bu hastalar ve hekimler için ne anlama gelebilir

Bir uzman olmayan için ana mesaj şudur: Bir görüntüyü betimlemenin birkaç yolunu modern bir derin öğrenme ağıyla birleştirmek, ham MRG taramalarını tümör türü hakkında güvenilir, otomatik önerilere dönüştürebilir. Sistem radyologların yerini almak için tasarlanmamıştır; bunun yerine çok sayıda taramada hızlı ve tutarlı çalışan ikinci bir göz olarak hizmet etmeyi amaçlar. Farklı hastanelerden ve tarayıcılardan gelen veriler üzerinde daha fazla test ve tümörlerin sınırlandırılması ile özellik seçiminin geliştirilmesiyle, bu tür araçlar tehlikeli büyümeleri daha erken yakalamaya, yanlış sınıflandırmaları azaltmaya ve daha zamanında tedavi kararlarını desteklemeye yardımcı olabilir.

Atıf: Pandey, B.K., Pandey, D., Lee, TF. et al. Hybrid deep neural network with PCA based features optimization for enhancing brain tumor classification. Sci Rep 16, 9968 (2026). https://doi.org/10.1038/s41598-026-39154-7

Anahtar kelimeler: beyin tümörü MRI, derin öğrenme tanısı, tıbbi görüntü analizi, tümör sınıflandırması, bilgisayar destekli tespit