SKIN CANCER DETECTION USING DEEP CONVOLUTIONAL NEURAL NETWORK
DERİN DÖNÜŞÜMSEL SİNİR AĞI KULLANILARAK CİLT KANSERİ TESPİTİ
- Tez No: 667349
- Danışmanlar: YRD. DOÇ. DR. OĞUZ ATA
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Deri lezyonu teşhis görevlerine dayalı olarak DCNN kullanan deri kanseri tespit sisteminin geliştirilmesi, iyi huylu ve kötü huylu sınıflandırmasına özel önem verilerek devam etmektedir. Meta boyuta olan yüksek eğilimi, sağkalım oranlarında ciddi düşüşler ve lezyon görünümündeki hastalar arası yüksek değişkenlik ve ayrıca bir melanomu doğru şekilde teşhis eden doktor / dermatoloğun eğitimine yönelik güçlü bir gereksinim ile el ele gittiği için göz korkutucu bir görev olarak görülmelidir. Bir metodoloji, DCNN'lerin son teknoloji modellerden (VGG-19, InceptionV3) çıkarılan özelliklerle ilgili iyi huylu / kötü huylu sınıflandırmasından oluşuyordu. DCNN tabanlı VGG-19 önceden eğitilmiş modelle, 8192 ve 16384 özellikli Tam Bağlı katman-1'i kullandık. Deri kanseri sınıflandırması için 0,768 F1 skoru, 0,665 hassasiyet, 0,755 geri çağırma ve 0,974 AUC ile maksimum% 97,7 doğruluk elde ettik. Ayrıca, farklı ağlardan gelen özelliklerin birleştirme yoluyla birleştirilmesi incelendi ve VGG-19 ve Inception-V3 özellikleri birleştirildiğinde performansta bir artış gözlemlendi, bu muhtemelen her iki ağın da biraz tamamlayıcı özellikler çıkardığını gösteriyor. Derin öğrenme çekirdeği DCNN sınıflandırıcısı, incelenen farklı programların AUC puanlarında belirtildiği gibi, eldeki sınıf dengesizliğini ele alacak şekilde donatılmıştır. Cilt kanseri tespiti yoluyla özellik alanında büyütme kullanılırken, sınıflandırıcının karar eşiklendirmesini gerektirmeden anında bir dengeleme gözlemlendi. Son olarak sonuçlar, ISIC 2017 veri kümesine yönelik ön eğitim için DCNN çerçevesi kullanılarak geliştirilmiştir; tezin tartışma bölümünde farklı parametreler üzerinde karşılaştırmaları ile. FC katmanı özellikleri üzerindeki DCNN sınıflandırıcısı için önceden eğitilmiş VGG-19 modelini kullanarak görselleştirilmiş, çekirdek tipi ve sınıf dengesizliği yönetimi 10 kat çapraz doğrulama şeması aracılığıyla incelenmiştir. Elde edilen ortalamalar ve iyi huylu ve kötü huylu performans ölçümlerinin cilt kanseri sınıflandırması, genel doğruluk ve özellikle pozitif sınıf için F1-skoru, hassasiyet, geri çağırma ve AUC-skoru.
Özet (Çeviri)
The development of skin cancer detection system using DCNN based on skin lesion diagnostic tasks is in hot pursuit, with special attention being given to the classification of benign and malignant. Given its high propensity to meta-size, going hand in hand with severe decreases in survival rates, and the high inter-patient variability in lesion appearance, as well as a strong requirement on the training of the physician/dermatologist properly diagnosing a melanoma can be considered a daunting task. A methodology consisted of benign/malignant classification with DCNN's on features extracted from state-of-the-art models (VGG-19, InceptionV3). With DCNN based VGG-19 pre-trained model, we used the Fully Connected layer-1 with 8192 and 16384 number of features. We achieved maximum accuracy of 97.7% with F1-score of 0.768, precision of 0.665, recall of 0.755 and AUC of 0.974 for the classification of skin cancer. Furthermore, combining features from different networks through concatenation was investigated and an increase in performance was observed when combining VGG-19 and Inception-V3 features, possibly indicating that both nets extract slightly complementary features. The deep learning-kernel DCNN-classifier was equipped to handle the class imbalance at hand, as indicated by the AUC-scores of the different schemes explored. An immediate offset, without requiring decision thresholding of the classifier, was observed when employing augmentation in the feature space through skin cancer detection. Finally, results were developed using DCNN framework for pre-training on ISIC 2017 dataset; in discussion section of thesis with their comparison on different parameters. For the DCNN-classifier on FC-layer features from using VGG-19 pre-trained model, as visualized, kernel-type and class imbalance handling were investigated through a 10-fold cross-validation scheme. The obtained means and skin cancer classification of benign and malignant performance measures, the overall accuracy and specifically for the positive class the F1-score, precision, recall and the AUC-score.
Benzer Tezler
- Comparative analysis of transfer learning models for skin cancer detection and prediction of potential skin diseases
Cilt kanseri tespiti ve potansiyel cilt hastalıklarının tahminine yönelik transfer öğrenme modellerinin karşılaştırmalı analizi
HASAN AL SHATER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
Prof. Dr. ALİ OKATAN
- Detection and classification of melanoma using a dense convolutional neural network
Yoğun bir konvolüsyonel sinir ağı kullanarak melanomun tespiti ve sınıflandırılmasıgeliştirilmesi
MOHAMMED YOUSIF ARABI AL-KHUZAIE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ADNAN SAHER MOHAMMED AL-AJEELI
- Skın cancer detectıon and classıfıcatıon usıng deep learnıng
Derin öğrenme kullanilarak cilt kanserinin tespiti ve siniflandirilmasi
ALZAHRAA YAHYA HAIDER HAIDER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GALİP CANSEVER
- Skin cancer detection and classification from dermatoscopic images using deep learning methods
Derin öğrenme yöntemleri kullanarak dermatoskopik görüntülerden otomatik cilt kanseri tespiti ve sınıflandırılması
SERDAR KALAYCI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT YILMAZ
- Skin cancer detection using CNN and random forest: A hybrid approach
CNN ve rastgele orman kullanarak cilt kanseri tespiti: Hibrit bir yaklaşım
NAJWA MOHAMMED SALEM SALEH AL-WESABI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ OKATAN