Brain Tumor Detection Using Deep Learning

Abstract

Brain tumor is an abnormal growth of cells inside the brain. It can arise from the supportive nerve tissues in the brain. Brain tumors are typically diagnosed using magnetic resonance imaging (MRI) and X-ray imaging. The symptoms of a brain tumor vary and depend on its size and location. Common symptoms include persistent and severe headaches, nausea, seizures, and more. The outcomes of brain tumors vary depending on the type of tumor and its stage. Research on the treatment of brain tumors is still ongoing. In this thesis, we are interested in developing models capable of detecting brain tumors from MRI images using deep learning. We evaluate the individual performance of each of convolutional neural network (CNN) and convolutional auto-encoder (CAE) along with Support vector Machine (SVM) as a classifier. In particular, we opt for using the well-known pre-trained network namely VGG-16, ResNet-50 and the DenseNet-121. To further improve the obtained results, we consider using different fusion schemes to combine the results of the different deep architectures. To validate the proposed approach, we conduct experiments on a public dataset of brain tumors that is made up of (4600) images, we get 97.79% accuracy as a result of convolutional neural network (CNN), and 93% result of convolutional auto-encoder, ect.

ورم الدماغ هو نمو غير طبيعي للخاليا داخل الدماغ. يمكن أن تنشأ من األنسجة العصبية الداعمة في الدماغ. يتم تشخيص أورام الدماغ عادةً باستخدام التصوير بالرنين المغناطيسي )MRI )والتصوير باألشعة السينية. تختلف أعراض ورم المخ وتعتمد على حجمه وموقعه. تشمل األعراض الشائعة الصداع المستمر والشديد والغثيان والنوبات وغيرها. تختلف نتائج أورام المخ باختالف نوع الورم ومرحلته. ال تزال األبحاث حول عالج أورام المخ مستمرة. في هذه األطروحة ، نحن مهتمون بتطوير نماذج قادرة على اكتشاف أورام الدماغ من صور التصوير بالرنين المغناطيسي باستخدام التعلم العميق.نقوم بتقييم األداء الفردي لكل من الشبكات العصبية التالفيفية )CNN )والتشفير التلقائي التالفيفي )CAE )جنبًا إلى جنب مع )SVM (Machine Vector Support كمصنف. على وجه الخصوص ، نختار استخدام الشبكة المعروفة مسبقً -16VGG و -50ResNet و -121.DenseNet ا وهي لزيادة تحسين النتائج التي تم الحصول عليها ، نعتبر استخدام مخططات اندماج مختلفة لدمج نتائج البنى العميقة المختلفة. للتحقق من صحة النهج المقترح ، نجري تجارب على مجموعة بيانات عامة ألورام الدماغ المكونة من )4600( صورة ، حصلنا على دقة ٪97.79 نتيجة للشبكة العصبية التالفيفية )CNN )، و ٪93 نتيجة للتشفير التلقائي التالفيفي ، إلخ