Aktivasyon fonksiyonları ve derin öğrenme mimarilerinin beyin MRI görüntüleri üzerindeki sınıflandırma performanslarının incelenmesi

Beyin tümörü tespiti, tıbbi görüntüleme alanında en kritik süreçlerden biri olup, manyetik rezonans görüntüleme (MRI) yüksek çözünürlüklü yumuşak doku detayları sayesinde tanı sürecinde önemli bir rol oynamaktadır. Ancak MRI görüntülerinin manuel olarak değerlendirilmesi zaman alıcı ve hataya açık bir süreçtir. Bu nedenle, derin öğrenme tabanlı otomatik sistemlerin geliştirilmesi, tanı hızını artırmak ve sağlık hizmetlerinin etkinliğini yükseltmek açısından büyük önem taşımaktadır. Bu çalışmada, Brain MRI görüntülerinden oluşan bir veri seti kullanılarak beyin tümörlerinin sınıflandırılması amaçlanmıştır. Öncelikle, veri setine görüntü işleme teknikleri uygulanarak iyileştirilmiş görüntüler elde edilmiştir. Ardından, orijinal ve iyileştirilmiş görüntüler yedi farklı transfer öğrenme mimarisine girdi olarak verilmiştir. Sonuçlar, tüm modellerde iyileştirilmiş görüntülerin daha yüksek doğruluk sağladığını göstermiştir. Çalışmanın ikinci aşamasında, en başarılı iki model olan ResNet101 ve ResNet152 üzerinde farklı aktivasyon fonksiyonları test edilmiştir. Önerilen hibrit aktivasyon fonksiyonu ile ResNet101 %98,42, ResNet152 ise %97,20 doğruluk oranına ulaşarak en yüksek performansı göstermiştir. Bu bulgular, önerilen yöntemin sınıflandırma başarısını önemli ölçüde artırdığını ortaya koymaktadır.