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.
Brain Tumor classification deep learning long short-term memory convolutional neural network
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.
Beyin tümörü sınıflandırma derin öğrenme uzun kısa süreli bellek evrişimsel sinir ağı
Birincil Dil | İngilizce |
---|---|
Konular | Görüntü İşleme, Derin Öğrenme |
Bölüm | Bilgisayar Mühendisliği |
Yazarlar | |
Yayımlanma Tarihi | 3 Eylül 2025 |
Gönderilme Tarihi | 12 Şubat 2025 |
Kabul Tarihi | 8 Ağustos 2025 |
Yayımlandığı Sayı | Yıl 2025 Cilt: 28 Sayı: 3 |