Brain Tumor Classification with CNN & Grad-CAM

Kaggle = https://www.kaggle.com/code/beraterolelk/brain-tumor-classification-with-cnn-grad-cam

Medium = https://medium.com/@beratcelikk02/brain-tumor-mri-ed486d24dcfd

📋 Proje Hakkında

Bu proje, beyin tümörlerini glioma, meningioma, pituitary ve no tumor olmak üzere 4 sınıfta sınıflandırmak için Convolutional Neural Network (CNN) kullanmaktadır. Ayrıca modelin hangi bölgeleri dikkate aldığını görselleştirmek için Grad-CAM yöntemi uygulanmıştır.

---

🛠️ Kullanılan Kütüphaneler

• os, random → Dosya işlemleri ve rastgele seçimler
• numpy → Sayısal hesaplamalar
• matplotlib → Görselleştirme
• tensorflow.keras → Derin öğrenme ve CNN modelleme
• sklearn.metrics → Confusion Matrix ve Classification Report
• seaborn → Confusion Matrix heatmap görselleştirme
• cv2 → OpenCV ile görüntü işleme

---

📁 Veri Seti

• Training: Training/ klasörü altında dört sınıf
• Testing: Testing/ klasörü altında dört sınıf

Sınıflar:

• glioma
• meningioma
• notumor
• pituitary

---

🔄 Veri Önişleme ve Augmentation

• Görüntüler 224x224 boyutuna yeniden boyutlandırıldı
• Piksel değerleri [0,1] aralığına normalize edildi
• Data augmentation ile:
  • ±15° döndürme
  • %10 yatay/dikey kaydırma
  • %10 zoom
  • Shear transform
  • Yatay çevirme
• Validation split: %20

---

🧠 CNN Modeli

Katmanlar:

1. Conv2D (32 filtre, 3x3, ReLU) → MaxPooling2D
2. Conv2D (64 filtre, 3x3, ReLU) → MaxPooling2D
3. Conv2D (128 filtre, 3x3, ReLU) → MaxPooling2D
4. Flatten
5. Dense (128 nöron, ReLU)
6. Dropout (%50)
7. Dense (4 nöron, softmax) → 4 sınıf için çıkış

Optimizasyon ve Kayıp:

• Loss: Categorical Crossentropy
• Optimizer: Adam
• Metric: Accuracy

Eğitim:

• Epoch: 20
• Batch Size: 32

---

📊 Eğitim Sonuçları

• En yüksek doğruluk (validation): ~81%
• Test set doğruluk: ~86%
• Eğitim ve doğrulama kaybı ve doğruluk grafikleri matplotlib ile çizildi

---

🧾 Confusion Matrix & Classification Report

• Confusion Matrix ile gerçek vs tahmin edilen sınıflar karşılaştırıldı
• Her sınıf için precision, recall, f1-score hesaplandı
• Heatmap seaborn ile görselleştirildi

Örnek Confusion Matrix: [[241 41 1 17] [ 17 196 61 32] [ 2 1 402 0] [ 3 2 0 295]]

---

🔥 Grad-CAM

• Modelin hangi bölgeleri dikkate aldığını görselleştirmek için Grad-CAM kullanıldı
• Son Conv2D katmanı: conv2d_5
• Heatmap oluşturuldu ve orijinal görüntü üzerine süperimpose edildi
• Görselleştirme OpenCV ve matplotlib ile yapıldı

Adımlar:

1. Test görüntüsü 1xHxWxC formatına çevrildi
2. Grad-CAM heatmap hesaplandı
3. Heatmap yeniden boyutlandırıldı ve Jet colormap ile renklendirildi
4. Orijinal görüntü ile birleştirildi (%40 heatmap, %60 orijinal)
5. Sonuç matplotlib ile gösterildi

---

📌 Kullanım Örneği

# Test görüntüsünü al
img, label = test_gen[0][0][0], test_gen[0][1][0]
img_array = np.expand_dims(img, axis=0)

# Grad-CAM heatmap oluştur
heatmap = get_grad_cam_heatmap_seq(model, img_array, last_conv_layer)

# Heatmap'i orijinal görüntü ile birleştir
img_rgb = img.astype(np.uint8)
heatmap_resized = cv2.resize(heatmap, (img_rgb.shape[1], img_rgb.shape[0]))
heatmap_colored = cv2.applyColorMap(np.uint8(255*heatmap_resized), cv2.COLORMAP_JET)
superimposed_img = heatmap_colored * 0.4 + img_rgb

# Görselleştir
plt.imshow(superimposed_img.astype(np.uint8))
plt.axis('off')
plt.show()