Araştırma Makalesi
BibTex RIS Kaynak Göster

A HYBRID CNN-LSTM APPROACH FOR BRAIN TUMOR CLASSIFICATION: A COMPARATIVE PERFORMANCE ANALYSIS WITH CONVENTIONAL CLASSIFIERS

Yıl 2025, Cilt: 28 Sayı: 3, 1219 - 1233, 03.09.2025

Hicran Güneş , Cemal Aktürk , Tarık Talan

https://doi.org/10.17780/ksujes.1638455

Öz

Early diagnosis of brain tumors is vital for improving patients' quality of life and optimizing treatment processes. This study proposes a novel model combining CNN (Convolutional Neural Network)-based deep feature extraction and LSTM (Long Short Term Memory) networks in a hybrid structure for the classification of brain tumors. The CNN used for deep feature extraction processes spatial information obtained from Magnetic Resonance Imaging (MRI) images, while the LSTM network has the ability to analyze this information through sequential patterns. The performance of the developed hybrid model is evaluated comparatively with ANN (Artificial Neural Networks), KNN (K-Nearest Neighbor), SVM (Support Vector Machines), and Random Forest classifiers. Experimental studies show that the proposed CNN-LSTM model outperforms other methods with 97.15% accuracy. The findings show that the sequential data processing capability of the LSTM model increases image classification performance when used as a hybrid with CNN-based features, demonstrating the potential of hybrid architectures and providing a powerful and innovative solution that can be used especially in the field of medical imaging.

Anahtar Kelimeler

Brain Tumor classification deep learning long short-term memory convolutional neural network

Kaynakça

  • Abdulkadir, H. H. B., & Diri, B. (2017). Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme. Gazi Mühendislik Bilimleri Dergisi, 3(3),47-64.
  • Altay Kırlı, O., Sansarcı, M., Özkaraca, O., & Çetin, G. (2023). Comparative analysis of classification algorithms in brain tumour detection from magnetic resonance images. Turkish Journal of Engineering Research and Education, 2(2), 113-122.
  • Altun, S., & Alkan, A. (2023). MRI Spektroskopi kullanılarak beyin tümörü tespitinde LSTM tabanlı derin öğrenme uygulaması. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 38(2), 1193-1202. https://doi.org/10.17341/gazimmfd.1069632
  • Arbane, M., Benlamri, R., Brik, Y., & Djerioui, M. (2021). Transfer learning for automatic brain tumor classification using MRI images. 2020 2nd International Workshop on Human-Centric Smart Environments for Health and Well-Being (IHSH), 210–214. IEEE. https://doi.org/10.1109/IHSH51661.2021.9378739
  • Aslan, E. (2024). LSTM-ESA hibrit modeli ile MRI görüntülerinden beyin tümörünün sınıflandırılması. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, 22, 63-81. https://doi.org/10.54365/adyumbd.1391157
  • Aslan, E., & Özüpak, Y. (2025). Performance comparison of deep learning models in brain tumor classification. Balkan Journal of Electrical and Computer Engineering, 13(2), 203-209. https://doi.org/10.17694/bajece.1617698
  • Chan, T.-H., Jia, K., Gao, S., Lu, J., Zeng, Z., & Ma, Y. (2014). PCANet: A simple deep learning baseline for image classification. IEEE Transactions on Image Processing, 24(12), 5017–5032. https://doi.org/10.1109/TIP.2015.2475625
  • Çaliskan, A., Yuksel, M. E., Badem, H., & Basturk, A. (2017). A deep neural network classifier for decoding human brain activity based on magnetoencephalography. Elektronika Ir Elektrotechnika, 23(2), 63–67. https://doi.org/10.5755/J01.EIE.23.2.18002
  • Çevik, F., & Kilimci, Z. H. (2021). Derin öğrenme yöntemleri ve kelime yerleştirme modelleri kullanılarak Parkinson hastalığının duygu analiziyle değerlendirilmesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 27(2), 151–161. https://dergipark.org.tr/tr/pub/pajes/issue/61143/908692
  • Dağlı, İ., & Öztürk, A. (2021). Görüntü sınıflandırmada derin öğrenme yöntemlerinin karşılaştırılması. Konya Journal of Engineering Sciences, 9(4), 872–888. https://doi.org/10.36306/KONJES.722976
  • Dal, A., Eliaçık, B., Hakan Işık, A., & Akif, M. (2023). Beyin tümörü MRI görüntülerinin evrişimsel sinir ağları ile sınıflandırılması. Uluborlu Mesleki Bilimler Dergisi, 6(1), 71-91.
  • Doğan, F., & Türkoğlu, İ. (2019). Derin öğrenme modelleri ve uygulama alanlarına ilişkin bir derleme. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(2), 409–445. https://doi.org/10.24012/DUMF.411130
  • Eker, A., & Duru, N. (2021). Medikal görüntü işlemede derin öğrenme uygulamaları. Acta Infologica, 5(2), 459-474. https://doi.org/10.26650/acin.927561
  • Erçelik, Ç., & Hanbay, K. (2023). Beyin tümörü sınıflandırmada histogram eşitleme yönteminin bazı derin öğrenme modellerine etkileri. Computer Science, 8(2), 83-92. https://doi.org/10.53070/bbd.1373990
  • Gajjar, V., Gurnani, A., & Khandhediya, Y. (2017). Human detection and tracking for video surveillance: A cognitive science approach. Proceedings of the IEEE International Conference on Computer Vision Workshops, 2805–2809. https://doi.org/10.1109/ICCVW.2017.330
  • Ghosh, S., Singh, A., Jhanjhi, N. Z., Masud, M., & Aljahdali, S. (2022). SVM and KNN based CNN architectures for plant classification. Computers, Materials and Continua, 71(2), 4257–4274. https://doi.org/10.32604/CMC.2022.023414
  • Gürkahraman, K., & Karakiş, R. (2021). Brain tumors classification with deep learning using data augmentation. Journal of the Faculty of Engineering and Architecture of Gazi University, 36(2), 997–1011. https://doi.org/10.17341/gazimmfd.762056
  • Jaswal, K. D., & Sowmya, V. (2014). Image classification using convolutional neural networks. International Journal of Advancements in Research Technology, 3(6), 1-7.
  • Jiang, Z., Zou, K., Yao, J., Li, D., Cao, X. (2022). Improved VGG-16 neural network for parameter reduction. In: Sun, X., Zhang, X., Xia, Z., Bertino, E. (eds) Advances in Artificial Intelligence and Security. ICAIS 2022. Communications in Computer and Information Science, vol 1586. Springer, Cham. https://doi.org/10.1007/978-3-031-06767-9_25
  • Kalchbrenner, N., Grefenstette, E., & Blunsom, P. (2014). A convolutional neural network for modelling sentences. arXiv preprint arXiv:1404.2188. https://arxiv.org/abs/1404.2188
  • Karadağ, C., & Özdemir, D. (2023). Comparative analysis of deep learning methods for brain tumor detection. Artificial Intelligence Studies, 6(1), 1-13. https://doi.org/10.30855/AIS.2023.06.01.01
  • Ker, J., Wang, L., Rao, J., & Lim, T. (2017). Deep learning applications in medical image analysis. IEEE Access, 6, 9375–9389. https://doi.org/10.1109/ACCESS.2018.2812342
  • Mandal, R. (2021). Brain tumor MRI scans dataset. Kaggle. https://www.kaggle.com/datasets/rm1000/brain-tumor-mri-scans
  • Moen, E., Bannon, D., Kudo, T., Graf, W., Covert, M., & van Valen, D. (2019). Deep learning for cellular image analysis. Nature Methods, 16(12), 1233–1246. https://doi.org/10.1038/S41592-019-0403-1
  • Özcan, S., & Talan, T. (2025, June). Brain tumor detection using deep learning. In 2025 9th International Symposium on Innovative Approaches in Smart Technologies (ISAS) (pp. 1-6). IEEE. Gaziantep, Turkiye, pp. 1-6, https://doi.org/10.1109/ISAS66241.2025.11101951
  • Sarhan, A. M. (2020). Brain tumor classification in magnetic resonance images using deep learning and wavelet transform. Journal of Biomedical Science and Engineering, 13(6), 102–112. https://doi.org/10.4236/jbise.2020.136010
  • Sevinc, A., Ucan, M., & Kaya, B. (2025). A distillation approach to transformer-based medical image classification with limited data. Diagnostics, 15(7), 929. https://doi.org/10.3390/diagnostics15070929
  • Sevinç, A., Kaya, B., & Gül, M. (2025). Multiple classification of brain tumor images using a new and efficient convolutional neural network-based model. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 16(2), 315-330. https://doi.org/10.24012/dumf.1622271
  • Şenol, A., Talan, T. & Aktürk, C. A new hybrid feature reduction method by using MCMSTClustering algorithm with various feature projection methods: A case study on sleep disorder diagnosis. SIViP, 18, 4589–4603 (2024). https://doi.org/10.1007/s11760-024-03097-1
  • Ünlüleblebici, S., Taşyürek, M., & Öztürk, C. (2023). MRI görüntülerinde evrişimli sinir ağlar kullanılarak Alzheimer hastalık tespiti. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 39(3). https://dergipark.org.tr/en/download/article-file/2953983

BEYİN TÜMÖRÜ SINIFLANDIRMASINDA CNN-LSTM HİBRİT YAKLAŞIMI VE GELENEKSEL SINIFLANDIRICILARLA KARŞILAŞTIRMALI PERFORMANS ANALİZİ

Yıl 2025, Cilt: 28 Sayı: 3, 1219 - 1233, 03.09.2025

Hicran Güneş , Cemal Aktürk , Tarık Talan

https://doi.org/10.17780/ksujes.1638455

Öz

Beyin tümörlerinin erken teşhisi, hastaların yaşam kalitesini artırmak ve tedavi süreçlerini optimize etmek için hayati bir öneme sahiptir. Bu çalışma, beyin tümörlerinin sınıflandırılmasında CNN tabanlı derin özellik çıkarımı ile LSTM ağının hibrit bir yapıda birleştirildiği özgün bir model önermektedir. Derin özellik çıkarımı için kullanılan CNN, Manyetik Rezonans Görüntüleme (MRG) görüntülerinden elde edilen uzamsal bilgileri işlerken, LSTM ağı bu bilgileri ardışık örüntüler üzerinden analiz etme özelliğine sahiptir. Geliştirilen hibrit modelin başarımı, ANN, KNN, SVM ve Rastgele Orman sınıflandırıcılarıyla karşılaştırmalı olarak değerlendirilmiştir. Yapılan deneysel çalışmalar sonucunda, önerilen CNN-LSTM modeli %97.15 doğruluk ile diğer yöntemlerden daha iyi performans göstermiştir. Bulgular, LSTM modelinin sıralı veri işleme yeteneğinin, CNN tabanlı özelliklerle hibrit olarak kullanıldığında görüntü sınıflandırma performansını artırdığını, hibrit mimarilerin potansiyelini ortaya koyduğunu ve özellikle tıbbi görüntüleme alanında kullanılabilecek güçlü ve yenilikçi bir çözüm sağladığını göstermektedir.

Anahtar Kelimeler

Beyin tümörü sınıflandırma derin öğrenme uzun kısa süreli bellek evrişimsel sinir ağı

Kaynakça

  • Abdulkadir, H. H. B., & Diri, B. (2017). Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme. Gazi Mühendislik Bilimleri Dergisi, 3(3),47-64.
  • Altay Kırlı, O., Sansarcı, M., Özkaraca, O., & Çetin, G. (2023). Comparative analysis of classification algorithms in brain tumour detection from magnetic resonance images. Turkish Journal of Engineering Research and Education, 2(2), 113-122.
  • Altun, S., & Alkan, A. (2023). MRI Spektroskopi kullanılarak beyin tümörü tespitinde LSTM tabanlı derin öğrenme uygulaması. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 38(2), 1193-1202. https://doi.org/10.17341/gazimmfd.1069632
  • Arbane, M., Benlamri, R., Brik, Y., & Djerioui, M. (2021). Transfer learning for automatic brain tumor classification using MRI images. 2020 2nd International Workshop on Human-Centric Smart Environments for Health and Well-Being (IHSH), 210–214. IEEE. https://doi.org/10.1109/IHSH51661.2021.9378739
  • Aslan, E. (2024). LSTM-ESA hibrit modeli ile MRI görüntülerinden beyin tümörünün sınıflandırılması. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, 22, 63-81. https://doi.org/10.54365/adyumbd.1391157
  • Aslan, E., & Özüpak, Y. (2025). Performance comparison of deep learning models in brain tumor classification. Balkan Journal of Electrical and Computer Engineering, 13(2), 203-209. https://doi.org/10.17694/bajece.1617698
  • Chan, T.-H., Jia, K., Gao, S., Lu, J., Zeng, Z., & Ma, Y. (2014). PCANet: A simple deep learning baseline for image classification. IEEE Transactions on Image Processing, 24(12), 5017–5032. https://doi.org/10.1109/TIP.2015.2475625
  • Çaliskan, A., Yuksel, M. E., Badem, H., & Basturk, A. (2017). A deep neural network classifier for decoding human brain activity based on magnetoencephalography. Elektronika Ir Elektrotechnika, 23(2), 63–67. https://doi.org/10.5755/J01.EIE.23.2.18002
  • Çevik, F., & Kilimci, Z. H. (2021). Derin öğrenme yöntemleri ve kelime yerleştirme modelleri kullanılarak Parkinson hastalığının duygu analiziyle değerlendirilmesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 27(2), 151–161. https://dergipark.org.tr/tr/pub/pajes/issue/61143/908692
  • Dağlı, İ., & Öztürk, A. (2021). Görüntü sınıflandırmada derin öğrenme yöntemlerinin karşılaştırılması. Konya Journal of Engineering Sciences, 9(4), 872–888. https://doi.org/10.36306/KONJES.722976
  • Dal, A., Eliaçık, B., Hakan Işık, A., & Akif, M. (2023). Beyin tümörü MRI görüntülerinin evrişimsel sinir ağları ile sınıflandırılması. Uluborlu Mesleki Bilimler Dergisi, 6(1), 71-91.
  • Doğan, F., & Türkoğlu, İ. (2019). Derin öğrenme modelleri ve uygulama alanlarına ilişkin bir derleme. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(2), 409–445. https://doi.org/10.24012/DUMF.411130
  • Eker, A., & Duru, N. (2021). Medikal görüntü işlemede derin öğrenme uygulamaları. Acta Infologica, 5(2), 459-474. https://doi.org/10.26650/acin.927561
  • Erçelik, Ç., & Hanbay, K. (2023). Beyin tümörü sınıflandırmada histogram eşitleme yönteminin bazı derin öğrenme modellerine etkileri. Computer Science, 8(2), 83-92. https://doi.org/10.53070/bbd.1373990
  • Gajjar, V., Gurnani, A., & Khandhediya, Y. (2017). Human detection and tracking for video surveillance: A cognitive science approach. Proceedings of the IEEE International Conference on Computer Vision Workshops, 2805–2809. https://doi.org/10.1109/ICCVW.2017.330
  • Ghosh, S., Singh, A., Jhanjhi, N. Z., Masud, M., & Aljahdali, S. (2022). SVM and KNN based CNN architectures for plant classification. Computers, Materials and Continua, 71(2), 4257–4274. https://doi.org/10.32604/CMC.2022.023414
  • Gürkahraman, K., & Karakiş, R. (2021). Brain tumors classification with deep learning using data augmentation. Journal of the Faculty of Engineering and Architecture of Gazi University, 36(2), 997–1011. https://doi.org/10.17341/gazimmfd.762056
  • Jaswal, K. D., & Sowmya, V. (2014). Image classification using convolutional neural networks. International Journal of Advancements in Research Technology, 3(6), 1-7.
  • Jiang, Z., Zou, K., Yao, J., Li, D., Cao, X. (2022). Improved VGG-16 neural network for parameter reduction. In: Sun, X., Zhang, X., Xia, Z., Bertino, E. (eds) Advances in Artificial Intelligence and Security. ICAIS 2022. Communications in Computer and Information Science, vol 1586. Springer, Cham. https://doi.org/10.1007/978-3-031-06767-9_25
  • Kalchbrenner, N., Grefenstette, E., & Blunsom, P. (2014). A convolutional neural network for modelling sentences. arXiv preprint arXiv:1404.2188. https://arxiv.org/abs/1404.2188
  • Karadağ, C., & Özdemir, D. (2023). Comparative analysis of deep learning methods for brain tumor detection. Artificial Intelligence Studies, 6(1), 1-13. https://doi.org/10.30855/AIS.2023.06.01.01
  • Ker, J., Wang, L., Rao, J., & Lim, T. (2017). Deep learning applications in medical image analysis. IEEE Access, 6, 9375–9389. https://doi.org/10.1109/ACCESS.2018.2812342
  • Mandal, R. (2021). Brain tumor MRI scans dataset. Kaggle. https://www.kaggle.com/datasets/rm1000/brain-tumor-mri-scans
  • Moen, E., Bannon, D., Kudo, T., Graf, W., Covert, M., & van Valen, D. (2019). Deep learning for cellular image analysis. Nature Methods, 16(12), 1233–1246. https://doi.org/10.1038/S41592-019-0403-1
  • Özcan, S., & Talan, T. (2025, June). Brain tumor detection using deep learning. In 2025 9th International Symposium on Innovative Approaches in Smart Technologies (ISAS) (pp. 1-6). IEEE. Gaziantep, Turkiye, pp. 1-6, https://doi.org/10.1109/ISAS66241.2025.11101951
  • Sarhan, A. M. (2020). Brain tumor classification in magnetic resonance images using deep learning and wavelet transform. Journal of Biomedical Science and Engineering, 13(6), 102–112. https://doi.org/10.4236/jbise.2020.136010
  • Sevinc, A., Ucan, M., & Kaya, B. (2025). A distillation approach to transformer-based medical image classification with limited data. Diagnostics, 15(7), 929. https://doi.org/10.3390/diagnostics15070929
  • Sevinç, A., Kaya, B., & Gül, M. (2025). Multiple classification of brain tumor images using a new and efficient convolutional neural network-based model. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 16(2), 315-330. https://doi.org/10.24012/dumf.1622271
  • Şenol, A., Talan, T. & Aktürk, C. A new hybrid feature reduction method by using MCMSTClustering algorithm with various feature projection methods: A case study on sleep disorder diagnosis. SIViP, 18, 4589–4603 (2024). https://doi.org/10.1007/s11760-024-03097-1
  • Ünlüleblebici, S., Taşyürek, M., & Öztürk, C. (2023). MRI görüntülerinde evrişimli sinir ağlar kullanılarak Alzheimer hastalık tespiti. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 39(3). https://dergipark.org.tr/en/download/article-file/2953983
Toplam 30 adet kaynakça vardır.

Ayrıntılar

Birincil Dil İngilizce
Konular Görüntü İşleme, Derin Öğrenme
Bölüm Bilgisayar Mühendisliği
Yazarlar

Hicran Güneş 0000-0003-4626-1874

Cemal Aktürk 0000-0003-3764-3862

Tarık Talan 0000-0002-5371-4520

Yayımlanma Tarihi 3 Eylül 2025
Gönderilme Tarihi 12 Şubat 2025
Kabul Tarihi 8 Ağustos 2025
Yayımlandığı Sayı Yıl 2025 Cilt: 28 Sayı: 3

Kaynak Göster

APA Güneş, H., Aktürk, C., & Talan, T. (2025). A HYBRID CNN-LSTM APPROACH FOR BRAIN TUMOR CLASSIFICATION: A COMPARATIVE PERFORMANCE ANALYSIS WITH CONVENTIONAL CLASSIFIERS. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(3), 1219-1233. https://doi.org/10.17780/ksujes.1638455
 Kapak Resmi İndir