MRI'dan Beyin Tümörü Teşhisi: Derin Öğrenme ile Menengioma Sınıflandırması

Lisans bitirme projemde Talha Karahan ile birlikte şu soruya cevap aradık: MRI görüntülerinden, biyopsi yapmadan, bir beyin tümörünün tehlike sınıfını tahmin edebilir miyiz?

Cevap — evet, %98.83 doğrulukla.

Tezin tam PDF’ini buradan indirebilirsiniz.

Problem

Menengiomalar, merkezi sinir sistemi tümörlerinin yaklaşık %30’unu oluşturur. WHO üç sınıfa ayırıyor:

Grade I — iyi huylu (tipik)
Grade II — atipik
Grade III — kötü huylu (malign)

Bu sınıflandırma, hem tedavi planını hem hastanın prognozunu doğrudan belirliyor. Sorun şu: mevcut klinik yöntemde grade tespiti için cerrahi biyopsi ve histopatolojik inceleme gerekiyor. İnvaziv, zaman alıcı, maliyetli.

Hedefimiz bu süreci MRI görüntüsü yükleyip anında sonuç alan bir yapay zeka sistemiyle ikame etmekti.

Veri

İstanbul Ümraniye Eğitim ve Araştırma Hastanesi’nden 200 hastaya ait, gerçek klinik süreçten toplanmış 20.000 DICOM formatında MRI görüntüsü kullandık. Her iki sınıftan (Tipik / Non-Tipik) 10.000’er görüntü — dengeli bir veri seti. Etik onay TÜBİTAK 2209-A projesi kapsamında alındı.

Bölünme: %80 eğitim, %20 test; eğitim kümesinin %20’si doğrulama için ayrıldı. Tüm görüntüler 224×224 piksele normalize edildi.

Mimari Karşılaştırması

6 farklı CNN mimarisini aynı veri seti ve eğitim protokolü üzerinde karşılaştırdık:

Model	Accuracy	Recall	F1-Score	AUC
Xception	%98.83	%98.95	%98.82	0.9989
EfficientNetB0	%97.90	%98.45	%97.91	0.9984
MobileNetV2	%96.78	%95.97	%96.80	0.9966
InceptionV3	%96.40	%97.30	%96.43	0.9958
DenseNet121	%96.25	%96.95	%96.28	0.9942
ResNet50	%91.90	%94.95	%92.13	0.9762

Xception açık ara öne çıktı. Depthwise separable convolution mimarisi, MRI’nın uzamsal örüntülerini yakalamada son derece etkili oldu. EfficientNetB0 yakın bir ikinci; hafif mimarisine rağmen bu doğruluğa ulaşması dikkat çekici.

ResNet50 da %94.95 recall ile tümör tespitinde başarılı; ancak özellik zenginliği açısından diğerlerinden geride kaldı.

Neden Recall Öncelikli?

Medikal bağlamda recall (duyarlılık) en kritik metrik. Yanlış negatif — yani gerçekte Non-Tipik olan bir tümörü Tipik olarak sınıflandırmak — yanlış pozitiften çok daha tehlikeli. Xception’ın %98.95 recall değeri bu açıdan önemli.

Sistem Mimarisi

Modeli klinik kullanıma uygun hale getirmek için uçtan uca bir web uygulaması geliştirdik:

Backend: FastAPI + TensorFlow/Keras + Pydicom
Frontend: React + TypeScript + Chakra UI

Doktor DICOM dosyasını sürükle-bırak ile yükler; sistem görüntüyü işler, modelden tahmin alır, güven skoru ile birlikte sonucu gerçek zamanlı gösterir. Analiz raporu PDF olarak indirilebilir.

Ne Öğrendim

Veri kalitesi belirleyici. Gerçek klinik veriden toplanan 20.000 görüntülük bu set, hazır internet veri setlerinden belirgin biçimde farklı davrandı. Model bu verilerle hem daha güvenilir hem de klinik açıdan anlamlı sonuçlar üretti.

Transfer learning medikal görüntülerde işe yarıyor. ImageNet ağırlıklarından başlayan modeller, tıbbi domaine — doğru fine-tuning stratejisiyle — hızla adapte oldu.

EarlyStopping kritik. Özellikle Xception’da 10. epoch’ta validation loss’ta ani bir yükseliş gözlemledik. EarlyStopping olmadan bu noktada overfitting başlıyordu.

Sistem bütünlüğü önemli. Yüksek doğruluklu bir model tek başına yeterli değil — doktorun sistemi güvenle kullanabilmesi için arayüz, açıklanabilir çıktı ve PDF raporu da gerekiyor.

Bu çalışma, tıbbi tanı süreçlerinde yapay zekanın nereye kadar gidebileceğinin somut bir göstergesi. Gelecekte segmentasyon, çok sınıflı grading ve gerçek zamanlı klinik entegrasyon üzerine çalışmayı planlıyorum.

Danışmanımız Dr. Öğr. Üyesi Muhammet Sinan Başarslan’a ve veri toplama sürecinde katkı sağlayan İstanbul Ümraniye Eğitim ve Araştırma Hastanesi ekibine teşekkürler.