AÇIKLANABİLİR YAPAY ZEKA YÖNTEMLERİYLE MR GÖRÜNTÜLERİNDEN BEYİN TÜMÖRÜ TESPİTİ

Muhammet Doğukan İli; Fatih Özyurt

doi:10.17780/ksujes.1614945

EN TR

AÇIKLANABİLİR YAPAY ZEKA YÖNTEMLERİYLE MR GÖRÜNTÜLERİNDEN BEYİN TÜMÖRÜ TESPİTİ

Öz

Bu çalışma açıklanabilir yapay zeka yöntemleri kullanılarak MR görüntülerinden beyin tümörlerinin tespit edilmesini amaçlamaktadır. GradCAM, LIME ve Shapley görselleştirme yöntemleri CNN modellerine entegre edilerek, dört farklı beyin durumu (No Tumor, Glioma, Meningioma, Pituitary) sınıflandırılmıştır. GradCAM yöntemi modelin genel odaklanma alanlarını belirlerken, LIME modelin kararlarını detaylandırmış, Shapley ise modelin genel performansını ve eksikliklerini ortaya koymuştur. Çalışmada bu yöntemlerin birlikte kullanılması, model performansının artırılması için önemli bir yol gösterici olarak sunulmuştur.

Anahtar Kelimeler

References

Aamir, M., Rahman, Z., Dayo, Z. A., Abro, W. A., Uddin, M. I., Khan, I., & Hu, Z. (2022). A deep learning approach for brain tumor classification using MRI images. Computers and Electrical Engineering, 101, 108-145. https://doi.org/10.1016/j.compeleceng.2022.108105
Abdusalomov, A. B., Mukhiddinov, M., & Whangbo, T. K. (2023). Brain tumor detection based on deep learning approaches and magnetic resonance imaging. Cancers, 15(16), 1-29. https://doi.org/10.3390/cancers15164172
Amin, K. H., Saleh, Z. S., & Deo, C. (2024). An explainable aı framework for artificial ıntelligence of medical things, https://arxiv.org/pdf/2403.04130 03.01.2025’de erişildi.
Angelov, P. P., Soares, E. A., Jiang, R., Arnold, N. I., & Atkinson, P. M. (2021). Explainable artificial intelligence: an analytical review. Wiley, 11(5), 1-13. https://doi.org/10.1002/widm.1424
Aslan, E. (2024). LSTM-ESA Hibrit modeli ile MR görüntülerinden beyin tümörünün sınıflandırılması. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, 11(22), 63-81.
Baran, F. D. (2024). Belirli nöropsikolojik rahatsızlıkların yapay zeka temelli sınıflandırılması. Yüksek Lisans Tezi. Pamukkale Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı, Denizli 134s.
Bilekyiğit, S. (2022). Kalp yetmezliği riskinin makine öğrenmesi yöntemleri ile analiz edilmesi. Yüksek Lisans Tezi. Karamanoğlu Mehmetbey Üniversitesi Fen Bilimleri Enstitüsü Mühendislik Bilimleri Anabilim Dalı, Karaman 152s.
Caelen, O. (2022). What is the Shapley value?.. https://medium.com/the-modern-scientist/what-is-the-shapley-value-8ca624274d5a 03.01.2025’de erişildi.

Chattopadhay, A., Sarkar, A., Howlader, P., & Balasubramanian, V. N. (2018). Grad-cam++: Generalized gradient-based visual explanations for deep convolutional networks. WACV, 839-847. https://doi.org/10.1109/WACV.2018.00097
Ellah, M. K., Awad, A. I., Khalaf, A. A., & Hamed, H. F. (2019). A review on brain tumor diagnosis from MRI images: Practical implications, key achievements, and lessons learned. Magnetic Resonance Imaging, 61, 300-318. https://doi.org/10.1016/j.mri.2019.05.028
Fatima, S. S., Wooldridge, M., & Jennings, N. R. (2008). A linear approximation method for the Shapley value. Artificial Intelligence, 172(14), 1673-1699. https://doi.org/10.1016/j.artint.2008.05.003
Garreau, D. ve Mardaoui, D. (2021). What does LIME really see in images? https://proceedings.mlr.press/v139/garreau21a/garreau21a.pdf 03.01.2025’de erişildi.
Gaur, L., Bhandari, M., Razdan, T., Mallik, S., & Zhao, Z. (2022). Examining the prediction of discrete subtypes of brain tumors with deep learning models 2022. file:///C:/Users/admin/AppData/Local/Microsoft/Windows/INetCache/IE/3DRHLJ80/fgene-13-822666[1].pdf 03.01.2025’de erişildi.
Gülle, K., Özdemir, D., & Temurtaş, H. (2024). Derin öğrenme yöntemleri kullanılarak böbrek hastalıklarının tespiti ve çoklu sınıflandırma. Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, 5(1), 19-28.
Hassija, V., Chamola, V., Mahapatra, A., Singal, A., Goel, D., Huang, K., & Hussain, A. (2024). Interpreting black-box models: A review on explainable artificial intelligence. Cognitive Computation, 16(1), 45-74.
Juscafresa, A. (2022). An introduction to explainable artificial intelligence with LIME and SHAP.. https://diposit.ub.edu/dspace/bitstream/2445/192075/1/tfg_nieto_juscafresa_aleix.pdf 03.01.2025’de erişildi.
Kaggle. Datasets. (2025). https://www.kaggle.com/datasets 06.03.2025 ‘de erişildi.
Karakaya, A. (2024). Meme kanseri tahmininde makine öğrenmesi algoritmaları ve AutoML. Yüksek Lisans tezi. Pamukkale Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı, Denizli 98s.
Khan, H. A., Jue, W., Mushtaq, M., & Mushtaq, M. U. (2020). Brain tumor classification in mrı image using convolutional neural network. Math. Biosci. Eng., 17, 6203-6216.
Kriegeskorte, N. (2015). Deep Neural Networks: A New Framework For Modeling Biological Vision And Brain İnformation Processing. Annual Review of Vision Science, 1(1), 417-446. https://doi.org/10.1146/annurev-vision-082114-035447
Kumar, S., Abdelhamid, A. A., & Tarek, Z. (2023). Visualizing the unseen: Exploring GRAD-CAM for interpreting convolutional image classifiers. Full Length Article, 4(1), 34-42. https://doi.org/10.54216/JAIM.040104
Manne, R. & Kantheti, S. C. (2021). Application of artificial intelligence in healthcare: chances and challenges. Current Journal of Applied Science and Technology, 40(6), 78-89.
Marmolejo, J. A. & Kose, U. (2024). Numerical Grad-Cam based explainable convolutional neural network for brain tumor diagnosis. Mobile Networks and Applications, 29(1), 109-118.
Nancy, A. M. & Sathyarajasekaran, K. (2024). Multi-modal explainability evaluation for brain tumor segmentation: Metrics MSFI. International Journal of Intelligent Systems and Applications in Engineering, 12, 341–347.
Orman, A. (2021). Brain Tumor Detection Via Explainable Convolutional Neural Networks. El-Cezeri Journal of Science and Engineering, 8(3), 1323-1337. http://doi.org/10.31202/ecjse.924446
Pannu, A. (2015). Artificial Intelligence And Its Application In Different Areas. Artificial Intelligence, 4(10), 79-84. Pillai, V. (2024). Enhancing Transparency And Understanding In AI Decision-Making Processes. Iconic Research and Engineering Journals, 8(1), 168-172.
Rahman, A. (2019). Statistics-Based Data Preprocessing Methods And Machine Learning Algorithms For Big Data Analysis. International Journal of Artificial Intelligence, 17(2), 44-65.
Reddy, S. (2018). Use of artificial intelligence in healthcare delivery. London: IntechOpen.
Selvaraju, R. R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., & Batra, D. (2020). Grad-CAM: visual explanations from deep networks via gradient-based localization. International Journal of Computer Vision, 128, 336-359.
Singh, A., Sengupta, S., & Lakshminarayanan, V. (2020). Explainable deep learning models in medical image analysis. Journal of Imaging, 6(6), 1-19. https://doi.org/10.3390/jimaging6060052
Turay, T. & Vladimirova, T. (2022). Toward performing image classification and object detection with convolutional neural networks in autonomous driving systems: A survey. IEEE Access, 10, 14076-14119.
Verdinelli, I. & Wasserman, L. (2024). Feature importance: A closer look at shapley values and loco. Statistical Science, 39(4), 623-636. https://doi.org/10.1214/24-STS937
Vimbi, V., Shaffi, N., & Mahmud, M. (2024). Interpreting artificial intelligence models: A systematic review on the application of LIME and SHAP in Alzheimer’s disease detection. Brain Informatics, 11(1), 1-29.

Details

Primary Language

Turkish

Subjects

Artificial Intelligence (Other)

Journal Section

Research Article

Authors

Muhammet Doğukan İli ^*
0009-0006-1518-0720
Türkiye

Fatih Özyurt
0000-0002-8154-6691
Türkiye

Publication Date

June 3, 2025

Submission Date

January 7, 2025

Acceptance Date

April 18, 2025

Published in Issue

Year 2025 Volume: 28 Number: 2

DOI

https://doi.org/10.17780/ksujes.1614945

IZ

https://izlik.org/JA25SU45UA

Cite

RIS / Bibtex

APA

İli, M. D., & Özyurt, F. (2025). AÇIKLANABİLİR YAPAY ZEKA YÖNTEMLERİYLE MR GÖRÜNTÜLERİNDEN BEYİN TÜMÖRÜ TESPİTİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(2), 1092-1109. https://doi.org/10.17780/ksujes.1614945

AÇIKLANABİLİR YAPAY ZEKA YÖNTEMLERİYLE MR GÖRÜNTÜLERİNDEN BEYİN TÜMÖRÜ TESPİTİ

BRAIN TUMOR DETECTION FROM MRI IMAGES WITH EXPLAINABLE ARTIFICIAL INTELLIGENCE METHODS

Abstract

Keywords

AÇIKLANABİLİR YAPAY ZEKA YÖNTEMLERİYLE MR GÖRÜNTÜLERİNDEN BEYİN TÜMÖRÜ TESPİTİ

Öz

Anahtar Kelimeler

References

Details

Primary Language

Subjects

Journal Section

Authors

Publication Date

Submission Date

Acceptance Date

Published in Issue

DOI

IZ

Cite