Cilt Kanseri Görüntü Sınıflandırması için Görüntü Ön İşlemenin Evrişimsel Sinir Ağları Performansı Üzerindeki Etkileri

Cilt kanseri, dünya çapında yaygın olarak karşılaşılan kanser türleri arasındadır. Günümüzde pek çok kanser vakasının yanlış ya da geç teşhisi sonucunda, hasta ölümleri de dahil olmak üzere ciddi problemler yaşanmaktadır. Bu çalışmada, evrişimli sinir ağlarını kullanarak cilt kanseri sınıflandırması problemini ele almaktayız. Çalışmadaki temel amacımız farklı öğrenme mimarilerini karşılaştırmak yerine, görüntüleri farklı ön işlemlere tabi tutup, bu işlemin kullanılan mimari performansına etkisini incelemektir. Bu amaç doğrultusunda, ISIC 2018 Cilt Görüntü Analizi Yarışması’na ait veri seti kullanılarak, iki farklı görüntü ön işleme yöntem dizisi ResNet50 mimarisi için uygulanmıştır. Bunlardan birincisinde sırasıyla ikili ve otsu eşikleme, CLAHE dönüşümü uygulanırken, ikincisinde morfolojik filtreleme, renk normalizasyonu ve dolgu işlemleri uygulanmıştır. F1 Puanı başta olmak üzere farklı performans metrikleri baz alındığında, cilt kanseri görüntüleri üzerinde ikinci ön işleme yöntem dizisinin performans iyileştirmesi yapabildiği gösterilmiştir.

___

  • Chante Karimkhani, Adele C Green, Tamar Nijsten, MA Weinstock, ` Robert P Dellavalle, Morteza Naghavi, and C Fitzmaurice. The global burden of melanoma: results from the global burden of disease study 2015. British Journal of Dermatology, 177(1):134–140, 2017.
  • Andre Esteva, Brett Kuprel, Roberto A Novoa, Justin Ko, Susan M Swetter, Helen M Blau, and Sebastian Thrun. Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639):115, 2017.
  • D. Gutman et al., "Skin lesion analysis toward melanoma detection: A challenge at the international symposium on biomedical imaging (ISBI) 2016, hosted by the international skin imaging collaboration (ISIC)," 2016.
  • A. Esteva, B. Kuprel, R. A. Novoa, J. Ko, S. M. Swetter, H. M. Blau, and S. Thrun. Dermatologistlevel classification of skin cancer with deep neural networks. nature, 542(7639):115–118, 2017.
  • L. Xu, J. S. Ren, C. Liu, and J. Jia. Deep convolutional neural network for image deconvolution. In Advances in neural information processing systems, pages 1790–1798, 2014.
  • Tran, K. A., Kondrashova, O., Bradley, A., Williams, E. D., Pearson, J. V., & Waddell, N. (2021). Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Medicine, 13(1), 1-17.
  • A. R. Lopez, X. Giro-i Nieto, J. Burdick, and O. Marques. Skin lesion classification from dermoscopic images using deep learning techniques. In 2017 13th IASTED international conference on biomedical engineering (BioMed), pages 49–54. IEEE, 2017.
  • Dorj, U. O., Lee, K. K., Choi, J. Y., & Lee, M. (2018). The skin cancer classification using deep convolutional neural network. Multimedia Tools and Applications, 77(8), 9909-9924.
  • T. J. Brinker, A. Hekler, J. S. Utikal, N. Grabe, D. Schadendorf, J. Klode, C. Berking, T. Steeb, A. H. Enk, and C. von Kalle. Skin cancer classification using convolutional neural networks: systematic review. Journal of medical Internet research, 20(10):e11936, 2018.
  • A. Rezvantalab, H. Safigholi, and S. Karimijeshni. Dermatologist level dermoscopy skin cancer classification using different deep learning convolutional neural networks algorithms. arXiv preprint arXiv:1810.10348, 2018.
  • N. C. Codella, Q.-B. Nguyen, S. Pankanti, D. A. Gutman, B. Helba, A. C. Halpern, and J. R. Smith. Deep learning ensembles for melanoma recognition in dermoscopy images. IBM Journal of Research and Development, 61(4/5):5–1, 2017.
  • Hussain, M., Bird, J. J., & Faria, D. R. (2018, September). A study on cnn transfer learning for image classification. In UK Workshop on computational Intelligence (pp. 191-202). Springer, Cham.
  • Purnama IKE, Hernanda AK, Ratna AAP, Nurtanio I, Hidayati AN, Purnomo MH, Rachmadi RF. 2019. Disease classification based on dermoscopic skin images using convolutional neural network in teledermatology system. In: Proceedings of International Conference on Computer Engineering, Network, and Intelligent Multimedia (CENIM), November 19 - 20, 2019, Surabaya, Cava, pp. 1-5.
  • R. J. Hemalatha, B. Babu, A. J. A. Dhivya, T. R. Thamizhvani, J. E. Joseph and R. Chandrasekaran, "A comparison of filtering and enhancement methods in malignant melanoma images," 2017 IEEE International Conference on Power, Control, Signals and Instrumentation Engineering (ICPCSI), 2017, pp. 2704-2710, doi: 10.1109/ICPCSI.2017.8392209.
  • Guruprasad, P. (2020, June). Overview of different thresholding methods in image processing. In TEQIP Sponsored 3rd National Conference on ETACC.
  • Sahu, S., Singh, A. K., Ghrera, S. P., & Elhoseny, M. (2019). An approach for de-noising and contrast enhancement of retinal fundus image using CLAHE. Optics & Laser Technology, 110, 87-98.
  • Ezhilarasan, K., Praveenkumar, S., Somasundaram, K., Kalaiselvi, T., Magesh, S., Kiruthika, S., & Jeevarekha, A. (2021). Automatic brain extraction from MRI of human head scans using Helmholtz free energy principle and morphological operations. Biomedical Signal Processing and Control, 64, 102270.
  • Sagar, A., & Dheeba, J. (2020). Convolutional neural networks for classifying melanoma images. bioRxiv.
  • Agarwal, N., Sondhi, A., Chopra, K., & Singh, G. (2021). Transfer learning: Survey and classification. In Smart Innovations in Communication and Computational Sciences (pp. 145-155). Springer, Singapore.
  • “cs-229, cheatsheet machine learning tips and tricks”, Standford University. https://stanford.edu/~shervine/teaching/cs-229/cheatsheet-machine-learning-tips-and-tricks .
  • “Understanding Confusion Matrix”. Sarang Narkhede. May 9, 2018. https://towardsdatascience.com/understanding-confusion-matrix-a9ad42dcfd62 .
  • Hossin, M., & Sulaiman, M. N. (2015). A review on evaluation metrics for data classification evaluations. International journal of data mining & knowledge management process, 5(2), 1.
Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi-Cover
  • ISSN: 1012-2354
  • Yayın Aralığı: Yılda 3 Sayı
  • Başlangıç: 1985
  • Yayıncı: Erciyes Üniversitesi
Sayıdaki Diğer Makaleler

Hadron Çarpıştırıcılarında İki-leptonik ve Üç-leptonik Kanallarda Ağır Majorana Nötrino Araştırmalarına Fenomenolojik Yaklaşım

Emrah TIRAŞ, Kamuran DİLSİZ, Ayşe BAT

W-Ir Alaşım Schottky Engel Diyotların Performansının Sonlu Elemanlar Metoduyla İncelenmesi

Osman KAHVECİ, Mehmet Fatih KAYA

Elektrikli Araç Şarj İstasyon Yerlerinin Akış Yakıt İkmal Yer Modeli Kullanılarak Belirlenmesi

Sena DÖRTKÖŞE, Harun Reşit YAZGAN, Serap ERCAN CÖMERT

Türkiye’nin Farklı İklim Bölgelerinde Yer Alan Eğitim Yapısı Dersliklerinin TS EN 17037 "Binalarda Gün ışığı Kullanımı" Standartı Çerçevesinde Değerlendirilmesi

Elif ÖZEN, Özlem SÜMENGEN

Kolekalsiferolün Sfingomyelin Model Membranları ile Etkileşiminin Kızılötesi Spektroskopik ve Kalorimetrik Çalışmaları

İpek ŞAHİN

Thermally Exfoliated Graphene Oxide (TEGO) Reinforced Fast-Cure Epoxy Resin: Cure Behavior and Flexural Properties

Sinem ELMAS, Hatice Sinem SAS

Sağdan Kesilmiş Lomax Dağılımının İstatistiksel Özellikleri ve Bir Uygulama

Ceren ÜNAL, Gamze ÖZEL

Elektromanyetik Alan Etkili Fitzhugh-Nagumo Nöron Modeline Rotasyon Kontrol İşleminin Uygulanması

Nimet KORKMAZ, Bekir ŞIVGA

Farklı kristal yönelimine sahip Cu nano tellerine uygulanan mekanik çevrimin moleküler dinamik benzetimi ile incelenmesi

Sefa KAZANÇ

RF ve Mikrodalga Devre Tasarımında Dielektrik Taban Kayıp Çarpanının Mikroşerit Hat Güç Kayıplarına Etkisinin Araştırılması

Oğuzhan KIZILBEY