Classification By Using Brain Tumor MRI Scans

Bu repo, MRI görüntülerinden dört sınıflı (multiclass) beyin tümörü sınıflandırması yapan bir derin öğrenme projesini içermektedir.
Sınıflar: Meningioma, Glioma, Pituitary, Healthy

Notebook içerisinde: - Veri yükleme ve ön işleme, - Baseline CNN modeli kurulumu ve eğitimi, - Transfer Learning (MobileNetV2) ile gelişmiş model, - Model değerlendirme (accuracy/loss grafikleri, confusion matrix), - Grad-CAM ile görsel açıklanabilirlik, - Hiperparametre denemeleri detaylı şekilde gerçekleştirilmiştir.

---

Giriş

Bu proje, medikal görüntü analizi alanında derin öğrenmenin etkinliğini test etmeyi amaçlamaktadır.
MRI verileri üzerinde hem sıfırdan CNN hem de önceden eğitilmiş bir model (MobileNetV2) denenmiş, sonuçları karşılaştırılmıştır.

Veri seti: - Kaggle üzerinde paylaşılmış Brain Tumor MRI Dataset kullanılmıştır. - 4 sınıf dengeli şekilde işlenmiş, train/validation olarak ayrılmıştır.

---

Metrikler ve Çıktılar

• Baseline CNN Modeli
  • Eğitim süresi daha uzun, doğruluk daha düşük.
  • Validation doğrulukları %70--75 civarında kaldı.
• Transfer Learning (MobileNetV2)
  • Daha kısa sürede yüksek doğruluk (%85-90+).
  • Validation set üzerinde daha stabil sonuçlar.
  • Overfitting daha az gözlendi.
• Confusion Matrix
  • Modelin bazı sınıflarda (ör. Healthy vs. Glioma) çok güçlü performans gösterdiği,
  • Ancak benzer tümör türlerini ayırmada daha zorlandığı görüldü.
• Grad-CAM Çıktıları
  • Modelin gerçekten tümör bölgelerine odaklanabileceği gözlemlendi.
  • Bu da modelin tahminlerinin güvenilirliğini artırmaktadır.

---

Ekler

• Data Augmentation (rotation, flip, zoom, contrast) ile overfitting azaltıldı.
• Class weights ile dengesiz sınıf dağılımı telafi edildi.
• Eğitim sırasında EarlyStopping, ModelCheckpoint ve ReduceLROnPlateau gibi callback'ler kullanıldı.

Gelecekte yapılabilecek eklemeler: - Daha büyük ve çeşitlendirilmiş veri setleri, - Farklı pretrained modeller (ResNet, EfficientNet), - Streamlit veya benzeri araçlarla UI tabanlı bir demo geliştirme.

---

Sonuç ve Gelecek Çalışmalar

• Transfer learning, medikal görüntü sınıflandırmasında çok daha verimli sonuçlar vermeye olanak sağladı.
• Baseline model, karşılaştırma için önemliydi fakat transfer learning bariz şekilde üstün çıktı.
• Grad-CAM sayesinde modelin karar mekanizmasını daha iyi anlama imkânı doğdu.

Gelecek iyileştirmeler için: - Daha fazla veri ile yeniden eğitim, - Gerçek zamanlı MRI analizi için optimizasyon, - Klinik ortamlarda kullanılabilecek bir arayüze doğru geliştirme
hedeflenebilir.

Linkler

Notebook: https://www.kaggle.com/code/elifnzogunc/classification-with-brain-tumor-mri-scans