• icon+90(535) 849 84 68
  • iconnwsa.akademi@hotmail.com
  • icon Fırat Akademi Samsun-Türkiye

> Detaylı Arama

Article Details

Article Details

  • Article Code : FIRAT-AKADEMI-13058-5758
  • Article Type : Araştırma Makalesi
  • Publication Number : 1A0495
  • Page Number : 33-49
  • Doi : 10.12739/NWSA.2025.20.2.1A0495
  • Abstract Reading : 92
  • Download : 27
  • Atıf Sayısı : 0
  • Share :

  • PDF Download

Issue Details

  • Year : 2025
  • Volume : 20
  • Issue : 2
  • Number of Articles Published : 1
  • Published Date : 1.04.2025

Cover Download Context Page Download
Dergi Kapağı
Engineering Sciences

Serial Number : 1A
ISSN No. : 1308-7231
Release Interval (in a Year) : 4 Issues

BEYİN TÜMÖRÜ MR GÖRÜNTÜLERİNİN YOLOV8-SEG VE YOLOV11-SEG MODELLERİ İLE SEGMENTASYONU VE PERFORMANS ANALİZİ

Gökhan Gündoğdu1 , Erhan AKIN 2

Yapay zekâ teknolojilerinin hızla gelişmesiyle birlikte, bilgisayar bilimi sağlık alanında önemli uygulama alanları bulmaya başlamıştır. Özellikle derin öğrenme tabanlı yöntemler, tıbbi görüntüleme verilerinin analizinde etkili karar destek sistemlerinin geliştirilmesine olanak tanımaktadır. Bu çalışmada, beyin tümörlerinin otomatik segmentasyonu amacıyla YOLO mimarisine dayalı iki farklı model olan YOLOv8-seg ve YOLOv11-seg karşılaştırmalı olarak değerlendirilmiştir. Geliştirilen sistemde, her iki model eğitim sürecinden geçirilmiş ve ardından segmentasyon başarımları çeşitli performans metrikleri üzerinden analiz edilmiştir. Değerlendirmede kullanılan metrikler arasında doğruluk (precision), geri çağırma (recall), mAP@0.5 ve mAP@0.5:0.95 yer almaktadır. Elde edilen sonuçlara göre, YOLOv11-seg modeli mAP@0.5 açısından en yüksek değeri sağlarken, YOLOv8-seg modeli mAP@0.5:0.95 metriğinde üstünlük göstermiştir. Yapılan karşılaştırma sonucunda, her iki modelin de beyin tümörü segmentasyonu görevinde yüksek doğrulukta sonuçlar ürettiği ve farklı metriklerde öne çıktığı belirlenmiştir. Bu çalışma, literatürde ilk defa YOLOv11-seg modelinin beyin tümörü segmentasyonunda performansını karşılaştırmalı olarak incelemektedir.

Keywords
Derin Öğrenme, Beyin Tümörü Segmentasyonu, YOLOv8, YOLOv11, Görüntü Segmentasyonu,

SEGMENTATION AND PERFORMANCE ANALYSIS OF BRAIN TUMOR MRI IMAGES USING YOLOV8-SEG AND YOLOV11-SEG MODELS

Gökhan Gündoğdu1 , Erhan AKIN 2

With the rapid development of artificial intelligence technologies, computer science has begun to find important applications in the field of healthcare. In particular, deep learning-based methods enable the development of effective decision support systems for the analysis of medical imaging data. In this study, two different models based on the YOLO architecture, YOLOv8-seg and YOLOv11-seg, were evaluated comparatively for the automatic segmentation of brain tumors. In the developed system, both models were trained and then their segmentation performance was analyzed using various performance metrics. The metrics used in the evaluation include precision, recall, mAP@0.5, and mAP@0.5:0.95. According to the results obtained, the YOLOv11-seg model provided the highest value in terms of mAP@0.5, while the YOLOv8-seg model showed superiority in the mAP@0.5:0.95 metric. The comparison showed that both models produced highly accurate results in brain tumor segmentation tasks and stood out in different metrics. This study is the first in the literature to comparatively examine the performance of the YOLOv11-seg model in brain tumor segmentation.

Keywords
Deep Learning, Brain Tumor Segmentation, YOLOv8, YOLOv11, Image Segmentation,

Details
   

Authors

Gökhan Gündoğdu (1) (Corresponding Author)
Fethi Sekin Şehir Hastanesi
gokhangundogdu23@gmail.com | 0000-0001-8513-9332

Erhan AKIN (2)

Fırat Üniversitesi
eakin@firat.edu.tr | 0000-0001-6476-9255

Supporting Institution

 : YOK

Project Number

 : YOK

Thanks

 : YOK
References
[1] Taşdemir, B. ve Barışçı, N., (2024). Derin öğrenme ile beyin tümör segmentasyonu. Bilişim Teknolojileri Dergisi, 17(3):159–174. https://doi.org/10.17671/gazibtd.1396872.

[2] Özcan, B. ve Bakır, H., (2023). Yapay zeka destekli beyin görüntüleri üzerinde tümör tespiti. International Conference on Pioneer and Innovative Studies, 1:297–306. https://doi.org/10.59287/ICPIS.847.

[3] Abdusalomov, A.B., Mukhiddinov, M., and Whangbo, T.K., (2023). Brain tumor detection based on deep learning approaches and magnetic resonance imaging. Cancers, 15(16):4172. https://doi.org/10.3390/CANCERS15164172.

[4] Khan, M.J., Ahmed, M.R., Taha, M.A.A., and Sultana, R., (2025). Segmenting brain tumor detection instances in medical imaging with YOLOv8, ss:35–38. https://doi.org/10.15439/2024R89.

[5] Mercaldo, F., Brunese, L., Martinelli, F., Santone, A., and Cesarelli, M., (2023). Object detection for brain cancer detection and localization. Applied Sciences, 13(16):9158. https://doi.org/10.3390/APP13169158.

[6] Bulut, F., Kılıç, İ. ve İnce, İ.F., (2018). Beyin tümörü tespitinde görüntü bölütleme yöntemlerine ait başarımların karşılaştırılması ve analizi. DEÜ Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 20(58):173–186. https://doi.org/10.21205/DEUFMD.2018205815.

[7] Doğanay, T. ve Yıldız, O., (2022). Beyin tümör tespiti için derin öğrenme temelli bilgisayar destekli tanı sistemi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 10(4):1748–1762. https://search.trdizin.gov.tr/en/yayin/detay/1256825.

[8] Yılmaz, S., (2023). Beyin tümörü tanıları için YOLOv7 algoritması tabanlı karar destek sistemi tasarımı. Kocaeli Üniversitesi Fen Bilimleri Dergisi, 6(1):47–56. https://doi.org/10.53410/koufbd.1236305.

[9] Ranjbarzadeh, R., Crane, M., and Bendechache, M., (2025). The impact of backbone selection in YOLOv8 models on brain tumor localization. Iran Journal of Computer Science. https://doi.org/10.1007/s42044-025-00258-4.

[10] Kang, M., Ting, C.M., Fung, F., Ting, R., and Phan, C.W., (2024). BGF-YOLO: Enhanced YOLOv8 with multiscale attentional feature fusion for brain tumor detection. https://doi.org/10.1007/978-3-031-72111-3

[11] Kassam, S., Markham, A., Vo, K., Revanakara, Y., Lam, M., and Zhu, K., (2024). Intraoperative glioma segmentation with YOLO + SAM for improved accuracy in tumor resection.

[12] Magadza, T. and Viriri, S., (2021). Deep learning for brain tumor segmentation: A survey of state-of-the-art. Journal of Imaging, 7(2):19. https://doi.org/10.3390/jimaging7020019.

[13] Aslan, M., (2022). Derin öğrenme tabanlı otomatik beyin tümör tespiti. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 34(1):399–407. https://doi.org/10.35234/fumbd.1039825.

[14] Jia, Z., Yao, N., Sun, D., Han, C., Li, Y., Nan, J., Zhu, F., Zhao, C., and Zhou, W., (2025). UPMAD-Net: A brain tumor segmentation network with uncertainty guidance and adaptive multimodal feature fusion. https://arxiv.org/pdf/2505.03494 (Erişim: 16 Haziran 2025).

[15] Fadugba, J., Lieberman, I., Ajayi, O., Osman, M., Akinola, S., Mustvangwa, T., Zhang, D., Anazondo, U., and Confidence, R., (2025). Deep ensemble approach for enhancing brain tumor segmentation in resource-limited settings. https://arxiv.org/pdf/2502.02179 (Erişim: 16 Haziran 2025).

[16] Roboflow, (2025). BRAIN-TUMOR - v1 2023-08-22. https://universe.roboflow.com/iotseecs/brain-tumor-yzzav/dataset/1 (Erişim: 16 Haziran 2025).

[17] Redmon, J., Divvala, S., Girshick, R., and Farhadi, A., (2015). You only look once: Unified, real-time object detection. IEEE CVPR, 2016(Decem):779–788. https://doi.org/10.1109/CVPR.2016.91.

[18] Ultralytics, (2025). Örnek Segmentasyonu - Ultralytics YOLO Dokümanları. https://docs.ultralytics.com/tr/tasks/segment/ (Erişim: 16 Haziran 2025).

[19] Ultralytics, (2025). GitHub - ultralytics/ultralytics: Ultralytics YOLO11. https://github.com/ultralytics/ultralytics (Erişim: 16 Haziran 2025).

[20] Yao, G., Zhu, S., Zhang, L., and Qi, M., (2024). HP-YOLOv8: High-precision small object detection algorithm for remote sensing images. Sensors, 24(15):4858. https://doi.org/10.3390/S24154858.

[21] Huang, J., Wang, K., Hou, Y., and Wang, J., (2024). LW-YOLO11: A lightweight arbitrary-oriented ship detection method based on improved YOLO11. Sensors, 25(1):65. https://doi.org/10.3390/S25010065.

[22] V7 Labs, (2025). Mean average precision (mAP) explained: Everything you need to know. https://www.v7labs.com/blog/mean-average-precision (Erişim: 16 Haziran 2025).

[23] Encord, (2025). YOLO object detection explained: A beginner’s guide. https://encord.com/blog/yolo-object-detection-guide/ (Erişim: 16 Haziran 2025).

[24] Ultralytics, (2025). Performans ölçümleri derin dalış - Ultralytics YOLO dokümanları. https://docs.ultralytics.com/tr/guides/yolo-performance-metrics/ (Erişim: 16 Haziran 2025).