Derin öğrenme yöntemleri ile cilt lezyon bölütlemesi
Skin lesion segmentation with deep learning techniques
- Tez No: 568630
- Danışmanlar: PROF. DR. SEVİNÇ GÜLSEÇEN, DR. MURAT GEZER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Enformatik Ana Bilim Dalı
- Bilim Dalı: Enformatik Bilim Dalı
- Sayfa Sayısı: 115
Özet
Deri kanseri, orta yaşlı ve yaşlı beyaz tenli insanlar arasında yaygın olarak görülen bir hastalıktır. Tıbbi kriterlere göre birçok türe ayrılmıştır. En tehlikeli ve ölümcül kanser türlerinden biri malign melanomdur. Erken tanı konulursa tedavi edilebilir kanser türlerinden biridir. Erken tanı, tümör tiplerinin kötü huylu (malign) veya iyi huylu (benign) olup olmadığının sınıflandırılması için otomatik bir teşhis sistemi gerektirir. Doğru bir lezyon bölütlemesi otomatik bir teşhis sistemi oluşturmak için en gerekli adımdır. Dermoskopik görüntü bölütlemesi gerçekleştirilmesinde istenmeyen yapılar lezyon sınırını saptamayı olumsuz yönde etkilemektedir.. Bu tezin temel olarak odaklandığı konu deri kanserinin erken teşhisi sırasında lezyonun yüksek doğrulukla sınıflandırılmasını kolaylaştırmak amacıyla lezyonun sınırını bölütlenmesi için kesin, etkili, sağlam ve otomatik bir yol oluşturulmasıdır. Sürecimiz iki aşamalı olup: birinci aşamada kıl ve cetvel işaretleri gibi istenmeyen yapılardan arınmış görüntüleri elde etmek için görüntü işleme teknikleri kullanılmıştır. Tezin önemli olan ikinci aşamasında U-Net mimarisinin geliştirmesidir. Geliştirilen yöntemde, başarılı lezyon bölütlemesi oranı elde etmek için 46 katmanlı bir mimari oluşturulmuştur. Bu çalışmada farklı katman sayısına sahip beş değişik U-Net (U-Net 32, U-Net 30, U-Net 37, U-Net 48 ve U-Net 46) üzerinde deneyler gerçekleştirilmiştir. Önerilen sistem U-Net 46 katman mimarisini kullanmaktadır. Kullanılan U-Net mimarilerinin bölütleme sonuçlarını elde ettiğini görmek üzere sonuçları değerlendirmek için Doğruluk, Dice ölçütü, Jaccard, Hassasiyet ve Özgüllük performans ölçekleri kullanılmıştır. Bölütleme deneyleri için ISIC2018 Lezyon Sınır Bölütleme veri kümesi kullanılmıştır. Sırasıyla U-Net 32, U-Net 30, U-Net 37, U-Net 48 mimari leri için doğruluk değerleri % 89,% 87,% 85 ve % 86 şeklindedir. Tez kapsamında önerilen U-Net 46 mimarisiyle oluşturulan otomatik bölütleme sistemi, 1815 eğitim veri kümesi ve 779 doğrulama veri kümesi kullanarak , % 93 doğruluk, % 85 Dice ölçütü, % 93 Jaccard, % 91 duyarlılık ve % 97 özgüllük başarım değerleri bulunmuştur.. Deneysel sonuçlar, önerilen 46 katmanlı U-Net mimarisinin deri lezyon bölütlemesi en başarılı mimari olduğunu göstermektedir.
Özet (Çeviri)
Skin cancer is a common disease among middle-aged and elderly white-skinned people. It is divided into many types in terms of medical criteria. One of the most dangerous and fatal cancers is malign melanoma. It is one of the types of cancer that can be treated if diagnosed early. Early diagnosis requires an automated diagnosis system to classify whether the tumor types are malignant or benign. Accurate lesion segmentation is the most necessary step to create an automated diagnosis system. When performing dermoscopy image segmentation, artifacts adversely affect the detection of the lesion border. The main focus of this thesis is to provide a precise, effective, robust and automated way to segment the lesion in order to facilitate the classification of the lesion with high accuracy during the early diagnosis of skin cancer. The process consists of two stages, and in the first stage, image processing techniques are used to obtain images free of artifacts such as hair and ruler marks. The second stage which is the important part of the thesis is to develop a U-Net architecture. In the developed method, a 46-layered architecture was created to obtain a successful lesion segmentation rate. In this study, experiments were performed on five different U-Net (U-Net 32, U-Net 30, U-Net 37, U-Net 48 and U-Net 46) with different layer numbers. The proposed system uses the U-Net 46-layer architecture. Accuracy, Dice-coefficient, Jaccard, Sensitivity and Specificity performance measures were used to evaluate the results in order to see that the U-Net architectures used obtained the segmentation results. ISIC2018 Lesion Border Segmentation dataset was used for segmentation experiments. For U-Net 32, U-Net 30, U-Net 37, U-Net 48 architectures, the accuracy scores are 89%, 85% and 86% respectively. By using the automated segmentation system which is created by the U-Net 46 architecture suggested within the scope of this thesis, 93% accuracy, 85% Dice-coefficient, 93% Jaccard, 91% sensitivity and 97% specificity performance scores were found with 1815 training datasets and 779 validation datasets. Experimental results show that the proposed 46-layer U-Net architecture is the most successful architecture for skin lesion segmentation.
Benzer Tezler
- Derin öğrenme tabanlı yöntemler ile cilt lezyonlarının bölütlenmesi
Classification of skin lesions with deep learning based methods
NURULLAH ŞAHİN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY
DR. ÖĞR. ÜYESİ NUH ALPASLAN
- Görüntü işleme ve derin öğrenme yöntemleri ile cilt kanseri teşhisi için karar destek sisteminin geliştirilmesi
Development of decision support system for skin cancer diagnosis with image processing and deep learning methods
CİHAN AKYEL
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. NURSAL ARICI
- Derin öğrenme ile görüntü bölütleme
Image segmentation with deep learning
ELİF IŞILAY ÜNLÜ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ÇINAR
- Deri lezyonlarının derin öğrenme yöntemleri ile segmentasyonu
An automatic skin lesion segmentation system with hybrid FCN-resalexnet
SEZİN BARIN
Yüksek Lisans
Türkçe
2021
BiyomühendislikAfyon Kocatepe ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜR EMRE GÜRAKSIN
- Malign Melanom ve Nevus'un makine öğrenimi ve derin öğrenme yöntemleri ile sınıflandırılması
Classification of Malignant Melanoma and Nevus by machine learning and deep learning methods
ENVER EKREM UÇAR
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FARZAD KIANI