Ön Eğitimli Evrişimsel Sinir Ağı Modellerinde Öznitelik Seçim Algoritmasını Kullanarak Cilt lezyon görüntülerinin

Dünya Sağlık Örgütü tarafından belirtildiği gibi, cilt kanseri oluşumu son yıllarda artmaktadır. Her yıl dünya çapında 2 ila 3 milyon arasında melanom dışı cilt kanseri ve en az 132.000 kötü huylu cilt kanseri ortaya çıkmaktadır. Deri lezyonlarının uygun otomatik teşhisi ve melanom tanıma, melanomların erken tespitini büyük ölçüde iyileştirebilir. Cilt kanserinde erken teşhis hastaların doğru tanı ve tedaviye sahip olmasını sağlar. Bu çalışmada, cilt lezyonu görüntülerden deri kanserinin kötü huylu olup olmadığını teşhis etmek için kübik tip Destek Vektör Makinesi (DVM) sınıflandırıcısı ve ön eğitimli Evrişimsel Sinir Ağı (ESA) tabanlı AlexNet ve ResNET50 derin mimarileri kullanılarak derin öznitelikler çıkartıldı ve ardından birleştirildi. Daha sonra, ReliefF algoritması ile bu derin özniteliklerden etkili ve ayırt edici öznitelikler seçildi. Birleştirilen derin özniteliklerine farklı sınıflandırıcı algoritmaları uygulandı. Kübik tip DVM en iyi sonucu verdiği için kullanılmıştır. Önerilen yöntemde sınıflandırma doğruluğu Kaggle veri seti için %92.41, HAM10000 veri seti için %85.17’dir. Deneysel çalışmalarda, önerilen modelin doğruluk skoru diğer çalışmalardan daha başarılı olduğu gözlemlenmiştir.

Classification of Skin Lesion Images Using Feature Selection Algorithm in Pre-Trained Convolutional Neural Network Models

As stated by the World Health Organization, the occurrence of skin cancer has been increasing in recent years. Between 2 and 3 million non-melanoma skin cancers and at least 132.000 malignant skin cancers occur worldwide each year. Appropriate automatic diagnosis of skin lesions and melanoma recognition can greatly improve the early detection of melanomas. Early diagnosis in skin cancer ensures that patients have the correct diagnosis and treatment. In this study, deep features were extracted from skin lesion images to diagnose whether skin cancer is malignant or not, using cubic-type Support Vector Machine (SVM) classifier and pre-trained Convolutional Neural Network (CNN) based AlexNet and ResNet50 deep architectures, and then combined. Then, effective and distinctive features were selected from these deep features with the ReliefF algorithm. Different classifier algorithms were applied to the combined deep features. Cubic type SVM is used as it gives the best results. In the proposed method, the classification accuracy is 92.41% for the Kaggle dataset and 85.17% for the HAM10000 dataset. In experimental studies, it has been observed that the accuracy score of the proposed model is more successful than other studies.

PDF

___

[1] N. Sendur, Nonmelanoma skin cancer epidemiology and prevention, Turk. Klinikleri J. Int. Med. Sci, 1 (2005) 80-84.
[2] T. Tarver, Cancer facts & figures 2012. American cancer society (ACS) Atlanta, GA: American Cancer Society, 2012. 66 p., pdf. Available from, Taylor & Francis, 2012.
[3] E. Yurtseven, T. Ulus, S. Vehid, S. Köksal, M. Bosat, K. Akkoyun, Assessment of knowledge, behaviour and sun protection practices among health services vocational school students, International journal of environmental research and public health, 9 (2012) 2378-2385.
[4] H. Kittler, H. Pehamberger, K. Wolff, M. Binder, Diagnostic accuracy of dermoscopy, The lancet oncology, 3 (2002) 159-165.
[5] N. Codella, J. Cai, M. Abedini, R. Garnavi, A. Halpern, J.R. Smith, Deep learning, sparse coding, and SVM for melanoma recognition in dermoscopy images, International workshop on machine learning in medical imaging, Springer, 2015, pp. 118-126.
[6] S. Benyahia, B. Meftah, O. Lézoray, Multi-features extraction based on deep learning for skin lesion classification, Tissue and Cell, 74 (2022) 101701.
[7] C. Dhivyaa, K. Sangeetha, M. Balamurugan, S. Amaran, T. Vetriselvi, P. Johnpaul, Skin lesion classification using decision trees and random forest algorithms, Journal of Ambient Intelligence and Humanized Computing, (2020) 1-13.
[8] B. Mazoure, A. Mazoure, J. Bédard, V. Makarenkov, DUNEScan: a web server for uncertainty estimation in skin cancer detection with deep neural networks, Scientific Reports, 12 (2022) 1-10.
[9] T. Akram, H.M.J. Lodhi, S.R. Naqvi, S. Naeem, M. Alhaisoni, M. Ali, S.A. Haider, N.N. Qadri, A multilevel features selection framework for skin lesion classification, Human-centric Computing and Information Sciences, 10 (2020) 1-26.
[10] J. Yap, W. Yolland, P. Tschandl, Multimodal skin lesion classification using deep learning, Experimental dermatology, 27 (2018) 1261-1267.
[11] V. Göreke, Cilt Kanseri Lezyonlarının Sınıflandırılmasında Derin Öğrenme Sınıflandırıcıya Dayalı Bir Yöntem, Türk Doğa ve Fen Dergisi, 10 (2021) 30-36.
[12] E. ERGÜN, K. KILIÇ, Derin Öğrenme ile Artırılmış Görüntü Seti üzerinden Cilt Kanseri Tespiti, Black Sea Journal of Engineering and Science, 192-200.
[13] N. Şahin, N. Alpaslan, SegNet Mimarisi Kullanılarak Cilt Lezyon Bölütleme Performansının İyileştirilmesi, Avrupa Bilim ve Teknoloji Dergisi, (2020) 40-45.
[14] O. YILDIZ, Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 34 (2019) 2241-2260.
[15] Z. Kadiroğlu, B.N. Akılotu, A. Şengür, M. Kayaoğlu, Derin Öznitelikler ve Renk Kullanılarak Dermoskopik Görüntülerin Sınıflandırılması Classification of Dermoscopic Images Using Deep Features and Color.
[16] U.E. Yildiz, V. Kiliç, Detection of Melanoma with Multiple Machine Learning Classifiers in Dermoscopy Images, 2019 Medical Technologies Congress (TIPTEKNO), IEEE, 2019, pp. 1-4.
[17] M. YILDIRIM, A. ÇINAR, Classification of Skin Cancer Images with Convolutional Neural Network Architectures, Turkish Journal of Science and Technology, 16 (2021) 187-195.
[18] Kaggle, “Skin Cancer: Malignant vs. Benign” https://www.kaggle.com/fanconic/skin-cancer-malignant-vs- benign, 2021.
[19] P. Tschandl, C. Rosendahl, H. Kittler, The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions, Scientific data, 5 (2018) 1-9.
[20] A. Krizhevsky, I. Sutskever, G.E. Hinton, Imagenet classification with deep convolutional neural networks, Advances in neural information processing systems, 25 (2012).
[21] J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, L. Fei-Fei, Imagenet: A large-scale hierarchical image database, 2009 IEEE conference on computer vision and pattern recognition, Ieee, 2009, pp. 248-255.
[22] K. He, X. Zhang, S. Ren, J. Sun, Deep residual learning for image recognition, Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 770-778.
[23] M. Robnik-Šikonja, I. Kononenko, Theoretical and empirical analysis of ReliefF and RReliefF, Machine learning, 53 (2003) 23-69.
[24] W.S. Noble, What is a support vector machine?, Nature biotechnology, 24 (2006) 1565-1567.
[25] L.E. Peterson, K-nearest neighbor, Scholarpedia, 4 (2009) 1883.
[26] M.A. Farooq, A. Khatoon, V. Varkarakis, P. Corcoran, Advanced deep learning methodologies for skin cancer classification in prodromal stages, arXiv preprint arXiv:2003.06356, (2020).
[27] F. Demir, Derin Öğrenme Tabanlı Yaklaşımla Kötü Huylu Deri Kanserinin Dermatoskopik Görüntülerden Saptanması, Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 33 (2021) 617-624.
[28] E. Soylu, R. Demir, Development and Comparison of Skin Cancer Diagnosis Models, Avrupa Bilim ve Teknoloji Dergisi, (2021) 1217-1221.
[29] N. Khasanah, R. Komarudin, N. Afni, Y.I. Maulana, A. Salim, Skin Cancer Classification Using Random Forest Algorithm, SISFOTENIKA, 11 (2021) 137-147.
[30] K. Fırıldak, M.F. Talu, G. Çelik, Transfer Öğrenme ve Çekişmeli Üretici Ağ Yaklaşımlarını Kullanarak Cilt Lezyonu Sınıflandırma Doğruluğunu İyileştirilmesi, Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 32 (2020) 491-498.