Browsing by Author "Hajmohamad, Abdulsalam"

Now showing 1 - 2 of 2

Citation - WoS: 3
Citation - Scopus: 6
3t2fts: a Novel Feature Transform Strategy To Classify 3d Mri Voxels and Its Application on Hgg/Lgg Classification
(MDPI, 2023) Hajmohamad, Abdulsalam; Koyuncu, Hasan
The distinction between high-grade glioma (HGG) and low-grade glioma (LGG) is generally performed with two-dimensional (2D) image analyses that constitute semi-automated tumor classification. However, a fully automated computer-aided diagnosis (CAD) can only be realized using an adaptive classification framework based on three-dimensional (3D) segmented tumors. In this paper, we handle the classification section of a fully automated CAD related to the aforementioned requirement. For this purpose, a 3D to 2D feature transform strategy (3t2FTS) is presented operating first-order statistics (FOS) in order to form the input data by considering every phase (T1, T2, T1c, and FLAIR) of information on 3D magnetic resonance imaging (3D MRI). Herein, the main aim is the transformation of 3D data analyses into 2D data analyses so as to applicate the information to be fed to the efficient deep learning methods. In other words, 2D identification (2D-ID) of 3D voxels is produced. In our experiments, eight transfer learning models (DenseNet201, InceptionResNetV2, InceptionV3, ResNet50, ResNet101, SqueezeNet, VGG19, and Xception) were evaluated to reveal the appropriate one for the output of 3t2FTS and to design the proposed framework categorizing the 210 HGG-75 LGG instances in the BraTS 2017/2018 challenge dataset. The hyperparameters of the models were examined in a comprehensive manner to reveal the highest performance of the models to be reached. In our trails, two-fold cross-validation was considered as the test method to assess system performance. Consequently, the highest performance was observed with the framework including the 3t2FTS and ResNet50 models by achieving 80% classification accuracy for the 3D-based classification of brain tumors.
Mr Görüntülerinde Gliyom Karakterizasyonu için 3b Analiz Temelli Siniflayici Model Tasarimi
(Konya Teknik Üniversitesi, 2023) Hajmohamad, Abdulsalam; Koyuncu, Hasan
Bilgisayarlı Tomografi (BT) ve Manyetik Rezonans (MR) görüntüleme teknikleri, tümörlerin tespiti için sıklıkla başvurulan tarama yöntemleridir. MR görüntüleme; beyindeki küçük bir yapıyı dahi tespit edilebildiği için, diğer yöntemlere göre beyin anormalliklerini vurgulamak için daha sık kullanılır. Literatür kapsamında Yüksek Dereceli Gliyom (YDG) ve Düşük Dereceli Gliyom (DDG) ayrımı, MR görüntülerinde yarı otomatik yaklaşımlar üzerinden gerçekleştirilmektedir. Diğer bir deyişle, iki boyutlu (2B) görüntü analizi temelli modeller ile sınıflama sağlanmaktadır. Bu noktada tam otomatik bir Bilgisayar Destekli Teşhis (BDT) sistemi, yalnızca üç boyutta (3B) tanımlı tümörün ele alınması ve bu amaca dayalı – uyarlanabilir bir sınıflama modeli ile gerçekleştirilebilir. Tez çalışması kapsamında tam otomatik bir BDT sisteminin sınıflama bölümü ele alınarak, beyin tümörlerinin 3B temelli sınıflandırılması için yenilikçi bir model geliştirilmiştir. Model kapsamında 3B MR görüntülerinde her sekans (T1, T2, T1c, FLAIR) bilgisi işlenmiş, giriş verilerini oluşturmak amacıyla bir 3B'den 2B'ye Özellik Dönüştürme Stratejisi (3t2FTS) önerilmiştir. 3t2FTS yaklaşımı içinde Birincil Derece İstatistikler (BDİ) işletilerek uzay dönüşümü sağlanmıştır. Burada temel amaç, sınıflayıcı birim olan transfer öğrenme yöntemlerine beslenecek bilgilerin verimli bir yaklaşım üzerinden sunulabilmesidir. 3t2FTS yaklaşımı ile 3B hacim bilgileri 2B görüntülere çevrilerek, tanımlayıcı 2B-ID imgeler elde edilmiştir. Çalışmada bu imgeler her bir tümör için oluşturulmuş, elde edilen veriler sekiz transfer öğrenme mimarisi (DenseNet201, InceptionResNetV2, InceptionV3, ResNet50, ResNet101, SqueezeNet, VGG19, Xception) üzerinde test edilmiştir. Uygun derin öğrenme mimarisinin belirlenmesi ve önerilen model performansının incelenmesi için, BraTS 2017/2018 veri setinde 210 YDG - 75 DDG ayrımı ele alınmıştır. Mimarilerin hiperparametreleri, ulaşılabilecek en yüksek performansları ortaya çıkarmak için kapsamlı bir şekilde analiz edilmiştir. Sistem performansının değerlendirilmesi için 2-kat çapraz geçerlilik test yöntemi işletilmiştir. Çalışma neticesinde, 3t2FTS yaklaşımı ve ResNet50 mimarisini içeren model ile YDG - DDG ayrımı için %80 sınıflandırma doğruluğu sağlandığı gözlemlenmiştir. Elde edilen başarı ve önerilen 3t2FTS temelli sınıflamanın gelişime açık olduğu tespit edilmiştir.