Beyin MR görüntülerinin analizi tıp alanında büyük bir öneme sahiptir. Bu nedenle, görüntü işleme ve analiz performansını iyileştirmek için çok sayıda akıllı yöntem geliştirilmiştir. Tez çalışması kapsamında beyin MR görüntülerinin sınıflandırma, kümeleme ve bölütleme işlemleri için K-En Yakın Komşuluk, Destek Vektör Makinesi, Yapay Sinir Ağı, K-Ortalama, Bulanık C-Ortalama ve Derin Öğrenme algoritmaları detaylı olarak incelenerek birleri arasındaki performans karşılaştırmaları yapılmıştır. Daha sonra derin öğrenme algoritması olan Evrişimsel Sinir Ağı (ESA) ile geliştirilen uygulamayla beyin MR görüntüleri sınıflandırılmaya ve bölütlenmeye çalışılmıştır. Yapılan uygulama ile ESA algoritmasından diğer algoritmalara göre daha iyi sonuçlar alındığı görülmüştür. Sınıflandırma uygulamalarında öncelikle beyin MR görüntüleri normal ve anormal olarak iki sınıfa daha sonra anormal görüntülerdeki tümör türleri sınıflandırılmaya çalışılmıştır. Yapılan testler sonucunda görüntülerin sınıflandırılmasında önceki çalışmalarda kullanılan ESA mimarilerinden daha az sayıda evrişim katmanı kullanılarak %96 ve üzerinde başarım elde edilmiştir. Son olarak sınıflandırılan tümörlerin yerlerinin tespit edilmesi amacı ile bir ESA modeli olan U-Net mimarisi ile görüntüler bölütlenmeye çalışılmıştır. Yapılan testlerle tümörlerin yerleri büyük oranda tespit edilmiştir.
Analysis of brain MRI images is of great importance in the medical field. For this reason, many intelligence methods have been developed to improve image processing and analysis performance. Within the scope of this thesis study, K-Nearest Neighborhood, Support Vector Machine, Artificial Neural Network, K-Mean, Fuzzy C-Mean and Deep Learning algorithms for classification, clustering and segmentation of brain MR images were examined, and their performances were compared with each other in detail. Later, with the application developed using the Convolutional Neural Network (ConNN) method, a Deep Learning algorithm, brain MR images were classified and segmented. With the application, it was seen that better results were obtained from the ConNN algorithm compared to other algorithms. In classification practices, brain MR images were first classified into two classes as normal and abnormal, and then tumor types in abnormal images. As a result of the tests, a performance 96% and above was achieved by using fewer convolution layers than the ConNN architectures used in previous studies in the classification of images. Finally, in order to locate the classified tumors, the images were divided with the U-Net architecture, a ConNN model. With the tests performed, the locations of the tumors were determined to a great extent.
