Transfer öğrenme ile cilt lezyonlarının sınıflandırılması ve melanom tespiti
Skin lesion classification and melanoma detection using transfer learning
- Tez No: 682539
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET EMİN TENEKECİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 56
Özet
Cilt lezyonları sık rastlanan ve erken tedavi edilmediğinde ölüme neden olan bir kanser türüdür. Bilhassa melanom ve ona yol açabilecek diğer cilt lezyonlarının ön tanısı hayat kurtarabilmektedir. Transfer öğrenme, önceden öğrenilen bir bilgiyi başka alanlarda kullanmak anlamına gelir. Transfer öğrenme ile önce büyük veri setleri ile eğitilen modellerin farklı problemlerde daha küçük veri seti ile probleme adapte edilerek kullanılması mümkündür. Bu şekilde yüksek başarı, daha az veri ile elde edilecektir. Bu tezde iki ayrı çalışmaya yer verilmiştir. Bunlardan birincisinde transfer öğrenme ile 7 ayrı cilt lezyonunun sınıflandırılması için ön eğitimli modellerden EfficientNet-B7 modeli kullanılmıştır. İkinci çalışmada ise yine transfer öğrenme ile en ölümcül cilt kanseri olan melanom teşhisi ön eğitimli modellerden DenseNet-121 modeli ile gerçekleştirilmiştir. Her iki çalışma da Uluslararası Cilt Görüntüleme Birliği (The International Skin Imaging Collaboration - ISIC) veri seti üzerinde gerçekleştirilmiştir. Veri seti üzerindeki dengesiz dağılımı önlemek için rastgele döndürme, dikey ve yatay çevirme yöntemleriyle dengeli bir dağılım elde edilmiştir. Ardından veri seti, train ve validation bölümlerine ayrılarak önce eğitim verilip sonra test edilmiştir. Ön eğitimli modeller kullanılarak elde edilen sonuçlar doğruluk, hassasiyet, hatırlama ve f1 skoru alanlarında değerlendirilmiştir. Ayrıca her iki çalışmada kullanılan ön eğitimli modellerden elde edilen sonuçlar diğer ön eğitimli modeller ile kıyaslanmıştır. Testler sonucunda birinci çalışmada, 7 cilt lezyonunu EfficientNet-B7 modeli %90.5 doğrulukla sınıflandırmış, ikinci çalışmada DenseNet-121 modeli %99.5 gibi çok yüksek bir başarı oranı ile melanom sınıfını diğer sınıflardan ayırt etmiştir. Elde edilen sonuçlara dayanarak her iki çalışmanın da yüksek başarı oranlarıyla sınıflandırma yaptığı ve literatürde yer alan benzer diğer çalışmalara göre daha başarılı olduğu kanıtlanmıştır.
Özet (Çeviri)
Skin lesions are a common type of cancer that can cause death if not treated early. In particular, pre-diagnosis of melanoma and other skin lesions that may lead to it can save lives. Transfer learning means using previously learned knowledge in other areas. With transfer learning, it is possible to use models trained with large data sets in different problems by adapting them to the problem with a smaller data set. In this way, high accuracy will be achieved with fewer data. Two separate studies are included in this thesis. In the first of these, the EfficientNet-B7 model, one of the pre-trained models, was used to classify 7 different skin lesions with the transfer learning. In the second study, the diagnosis of melanoma, which is the deadliest skin cancer with transfer learning, was made with DenseNet-121 model, one of the pre-trained models. Both studies were carried out on the International Skin Imaging Collaboration (ISIC) dataset. In order to prevent uneven distribution on the data set, a balanced distribution was obtained by random rotation, vertical and horizontal flipping methods. Then, the data set was divided into train and validation categories, first training was given and then tested. The results obtained by using pre-trained models were evaluated in the areas of accuracy, sensitivity, recall, and f1 score. In addition, the results obtained from the pre-trained models used in both studies were compared with the other pre-trained models. As a result of the tests, the EfficientNet-B7 model classified 7 skin lesions with 90.5% accuracy in the first study, and in the second study, the DenseNet-121 model distinguished the melanoma class from other classes with a very high success rate of 99.5%. Based on the results, it has been proven that both studies are classified with high success rates and are more successful than other similar studies in the literature.
Benzer Tezler
- Skin lesion classification using deep convolutional neural network and HSV color space
Derin evrişimsel sinir ağı ve HSV renk uzayı kullanarak cilt lezyonlarının sınıflandırılması
TAMERLAN NUSRADDINOV
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Classification of skin cancer with deep transfer learning method
Derin transfer öğrenme yöntemiyle cilt kanserinin sınıflandırılması
DOAA KHALID ABDULRIDHA AL-SAEDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERKAN SAVAŞ
- Dermoskopik görüntülerden melanomanın derin evrişimsel sinir ağları ile teşhisi
Diagnosis of melanoma in dermoscopic images with deep convolutional neural networks
ENES AYAN
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİL MURAT ÜNVER
- Evrişimsel sinir ağları ile cilt hastalık görüntülerinin sınıflandırılmasında transfer öğrenme yönteminin etkinliğinin araştırılması
Investigation of the efficiency of transfer learning method in classification of skin disease images by convolutional neural networks
AYHAN SARI
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSA AYDIN
DR. ÖĞR. ÜYESİ ALİ NİZAM
- Derin öğrenme için yenilikçi düzgünleştirme yaklaşımlarının geliştirilmesi ve medikal görüntülere uygulanması
Development of new regularization approaches for deep learning and application to medical images
KAZIM FIRILDAK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED FATİH TALU
DR. ÖĞR. ÜYESİ GAFFARİ ÇELİK