Geri Dön

Skin lesion classification with machine learning

Makine öğrenmesi ile cilt lezyonu sınıflandırması

PDF İndir

  1. Tez No: 783838
  2. Yazar: ESRA SENDEL
  3. Danışmanlar: DOÇ. DR. İSA YILDIRIM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Deri lezyonu, cilt kanseri, görüntü işleme, ABCDT analizi, makine öğrenmesi, DVM, softmax regresyon, K-en yakın komşu algoritması, Skin lesion, skin cancer, image processing, ABCDT analysis, machine learning, support vector machine algorithm, softmax regression, k-nearest neighbor algorithm
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 87

Özet

Vücuttaki hücreler kontrolsüz bir şekilde çoğalmaya başladığında kanser gelişir. Metastaz ise, kanserli hücrelerin vücudun hemen hemen her yerinde oluşabilmesi ve yayılabilmesi anlamına gelir. Bu bağlamda, anormal cilt hücrelerinin kontrolsüz çoğalmasına cilt kanseri denir. Cilt kanseri, birçok ülkede en yaygın kanser türlerinden biri olarak kabul edilir ve insidans oranı son yıllarda artmıştır. Bu nedenle kanserli lezyonların erken ve doğru tespiti cilt kanseri tedavisinde büyük önem taşımaktadır. Özellikle melanom, cilt kanserinin en ölümcül formu olup diğer melonistik olmayan lezyonlara göre daha fazla yayılım eğilimi gösterdiğinden dolayı dermoskopik görüntülerde erken teşhisi oldukça önemlidir. Dermatoloji, cilt kanseri de dahil olmak üzere çeşitli cilt hastalıkları ve patolojilerinin incelenmesidir. Bu bilim dalında tanı koymak öncelikle derinin fiziksel dış görünümüne bağlıdır. Dermatologlar tarafından cilt kanseri belirtilerini gösteren lezyonları teşhis etmek için kullanılan tekniklerden biri dermoskopi adı verilen bir görüntüleme yöntemidir. Cilt lezyonu, bir büyütme cihazı ve bir ışık kaynağı kullanılarak incelenir. Bu teknik, dermatoloğun cilt altı yapıları detaylı olarak gözlemlemesini mümkün kılar. Bununla birlikte, dermoskopi yardımıyla koyulan tanılar özneldir. Bu nedenle dermatologların daha güvenilir tanılar koymasına yardımcı olacak otomatik yöntemlerin geliştirilmesi gerekmektedir. Tıp uzmanları tarafından gözlemlenen cilt lezyonlarını değerlendirmek için kullanılan tıbbi prosedürlerden en belirgin olanları patern analizi, ABCD kuralı ve yedi noktalı kontrol listesidir. Tüm bunların ortak noktası, dermoskopik kriterler olarak da adlandırılan lezyondaki dermoskopik özelliklerin analizine odaklanmalarıdır. Bunlar, lezyonun şekli ve paterni gibi genel özellikleri ve pigmentasyon ve vasküler yapıları kapsayan lokal özellikleri içerir. ABCD kuralında, asimetri, sınır, renk ve çap olmak üzere dört farklı kriter dikkate alınır. Daha sonra, lezyon iyi huylu , şüpheli veya melanom için oldukça şüpheli olarak sınıflandırılabilir.Yedi noktalı kontrol listesi algoritması ise diğer bir önemli prosedürdür ve adından da anlaşılacağı gibi lezyonda 7 kriterden birkaçının (normalde melanom lezyonlarıyla ilişkilendirilen özellikler) gözlemlenmesinden oluşur. Bu özelliklerin varlığı her cilt lezyonu tipinde farklılık gösterir ve aynı tip içinde bile her lezyon benzersizdir, bu nedenle bazen bunları doğru şekilde teşhis etmek çok zordur. Bu nedenle, binlerce görüntüden eğitilen CAD sistemleri, tıp doktorlarına cilt kanseri tespitinde yardımcı olmada önemli bir rol oynayabilir. Yapay zeka (AI), dermatoloji de dahil olmak üzere sağlık hizmetlerinde geniş uygulamalara sahiptir. Klinik tanıya yardımcı olmak için bilgisayar destekli otomatik tanı (CAD) yöntemleri önerilmiştir. CAD yöntemleri, Geleneksel bilgisayar görü ve makine öğrenimi yöntemleri ve derin öğrenme yöntemleri olarak iki kategoriye ayrılabilir. Makine öğrenimi (ML), yeni örneklerin özelliklerini tahmin etmek ve istenen bir görevi gerçekleştirmek için verilerden aşamalı olarak öğrenebilen, istatistiksel modeller ve algoritmalar içeren yapay zekanın bir alt dalıdır. Uzmanlar kanseri doğru bir şekilde teşhis edebilir, ancak sayılarının sınırlı olduğu düşünüldüğünde, hayat kurtarmak ve hastalar üzerindeki sağlık ve mali yükleri azaltmak için hastalığı etkin bir şekilde teşhis edebilen otomatik sistemlerin geliştirilmesine ihtiyaç vardır. Cilt lezyonlarında çok çeşitli ve morfoloji olması nedeniyle otomatik sınıflandırma büyük bir zorluktur. Fakat son yıllarda yapılan çalışmalarla beraber makine öğrenmesi ve derin öğrenme uygulamaları bu açıdan önemli ölçüde kullanılabilir düzeylere ulaşmaktadır. Bu stratejiler teşhis sürecini önemli ölçüde geliştirirken aynı zamanda hızlandırır. Nitekim, geçtiğimiz birkaç yıldaki teknolojik ilerlemeler, doktorların derin öğrenme ve makine öğrenimi modelleri gibi bilgisayar destekli tanı tekniklerini kullanarak dermatoskopik görüntülerden cilt kanserini teşhis etmesini mümkün kıldı. Dolayısıyla bu yöntemler tıbbi görüntülemede segmentasyon ve sınıflandırma için yaygın olarak kullanılmaya başlandı. Deri lezyonu segmentasyonu görevine geleneksel bilgisayar görü ve makine öğrenimi yöntemlerini uygulayan birçok çalışma yapılmıştır. Bu çalışmalar, cilt lezyonu genellikle görüntünün pikselleri veya alanları için eşik değerleri oluşturmanın farklı yollarına odaklanmıştır. Sınıflandırma görevleri için geleneksel bilgisayarla görü ve makine öğrenme yöntemleri daha çok bazı görsel özelliklere (renk, kenarlar, doku vb.) odaklanır. Görüntü işleme, makine öğrenmesi ve derin öğrenme alanlarındaki ileri teknolojilerin geliştirilmesi aynı zamanda malign lezyonların biyopsi gerekmeksizin birçok iyi huylu lezyondan ayırt edilmesini sağladığından dolayı da doktorlara oldukça büyük kolaylık sağlamıştır. Bu yeni teknolojiler, malign lezyonların daha erken saptanmasını kolaylaştırmış ve maliyetli biyopsi prosedürünü azaltmıştır. Ayrıca, hastalığın yanlış sınıflandırılmasında ve teşhisinde mümkün olabilecek insan hatalarını önleyebilme açısından da avantajlıdır. Bu çalışma, bu tür bilgisayar destekli teşhis sistemlerinin geliştirilmesine odaklanmıştır. Bu bağlamda çalışmada, deri lezyonlarını sınıflandırabilmek için görüntü işleme ve geleneksel makine öğrenmesi tekniklerinden yararlanılmıştır. 1954 malign ve 8061 benign lezyon olmak üzere 7 farklı cilt hastalığının sınıflandırıldığı HAM10000 veri seti kullanılmıştır. Veri setindeki lezyon görüntüleri 600 × 450 piksel çözünürlüğe sahiptir ve JPEG formatlarında kaydedilir. Öncelikle, Ham10000 veri setinden seçilen görüntüler, sınıflandırıcıları eğitmek için kullanılacak görüntüleri içeren eğitim seti ve performansı değerlendirmek için kullanılacak olan test seti olacak şekilde ayrıldı. Sonraki adım olan görüntü işlemede, görüntü kalitesinin artırılabilmesi için farklı matematiksel algoritmalar uygulanmıştır. Görüntülerdeki istenmeyen piksellerin filtrelemesini içeren görüntü ön işleme aşamasında öncelikle görüntülerin kontrastını ve parlaklığını iyileştirmek için Kontrast Sınırlı Uyarlanabilir Histogram Eşitleme (CLAHE) yöntemi kullanılmıştır. Sonraki adımda morfolojik görüntü işlemenin bir parçası olan morfolojik kapama uygulanmıştır. Daha sonra, görüntüdeki gürültüyü ortadan kaldırmak için medyan filtresi uygulanmıştır. Bir sonraki adımda, eğitim ve test setlerinde, her bir görüntünün ilgi alanlarına bölünmesi ve görüntünün lezyon olan bölgesini bulmak için öncelikle Sobel filtresiyle kenarlar belirlenmiş ve arka planı lezyon konumundan ayırt etmek için, IsoData filtresinden elde edilen eşik kullanılarak işaretçiler bulunmuştur. İşaretçiler ve yükseklik haritası kullanılarak bölge tabanlı görüntü segmentasyonu yöntemi olan işaretçi kontrollü watershed metodu kullanılarak görüntü segmentasyonu yapılmış ve lezyonlu bölgeler ayrılmıştır. Sonraki adımda lezyon belirleme algoritması uygulanmıştır. Lezyon belirleme algoritmasının temel amacı, uygulanan adımlardan elde edilen sonuçlar arasından hedef lezyonu temsil eden bölgeyi bulmaktır. Algoritmada, her bölgenin alan ve genişlik özellikleri dikkate alınmıştır. Daha sonra cilt lezyonu analizi için yaygın olarak kullanılan ABCDT kuralına dayanılarak lezyonların , asimetri, sınır düzensizliği, renk, çap ve doku analiziyle öznitelik çıkarımı yapılmıştır. Doku analizi Haralick doku özellikleri temel alınarak yapılmıştır. Gri düzey birlikte oluşum matrisi hesaplanarak Kontrast, Korelasyon, Enerji ve Homojenlik öznitelikleri çıkarılmıştır. En son olarak geleneksel makina öğrenmesi tekniklerinden olan softmax regresyonu, K-en yakın komşu(KNN) algoritması ve destek vektör makinaları (DVM) algoritması ile sınıflandırma işlemi yapılmıştır. Sınıflandırma için kullanılan yöntemlerin sonuçlarını değerlendirmek için doğruluk, kesinlik, hassasiyet ve F1-skor değerleri olarak adlandırılan standart performans ölçütleri kullanılır. Sınıflandırıcılardan elde edilen sonuçlar karşılaştıldığında DVM sınıflandırıcısının doğruluk, hassasiyet ve f1 puanı açısından softmax regresyonu ve K-en yakın komşu(KNN) algoritmasına göre daha iyi performansa sahip olduğu gözlemlenmiştir. KNN yönteminde k değerleri 2, 3 ve 6 olarak seçilmiştir. Elde edilen sonuçlar değerlendirildiğinde model, en iyi performansını komşuluk değeri 6 olarak alındığında göstermiştir. KNN yöntemi doğruluk, hassasiyet ve f1 puanı açısından Softmax regresyon yönteminden daha iyi performans göstermiştir. Softmax regresyon yöntemi ise kesinlik açısından SVM ve KNN yöntemlerine göre daha iyi sonuçlar vermiştir. Bütün bu sonuçlar göz önüne alındığında, DVM sınıflandırıcıdan daha yüksek doğruluk oranı ile daha güvenilir sonuçlar elde edildiği söylenebilir.

Özet (Çeviri)

Skin lesions are the part of the skin that has an abnormal structure and appearance compared to the surrounding areas. While some skin lesions cause only a physically bad appearance, some may have cancer features. Nowadays, skin cancer is one of the most extensive cancers among humans. Therefore, the correct detection of cancerous lesions is of great importance in the treatment of skin cancer. Skin cancers are basically divided into two main types, melanoma which is dangerous, and non-melanoma. The low contrast between the lesioned and non-lesion areas in the images of melanoma skin cancers requires expertise in the application of diagnostic methods and involves relativity among dermatologists. In addition, it is very difficult to automatically analyze human skin due to geographical and climatic effects, roughness, tonal diversity, hair and many other complex structures, and low contrast problem. However, a successful automatic analysis system to be created will help dermatologists to diagnose and speed up the process. Technology advancements have made it possible for doctors to diagnose skin cancer from dermatoscopic images using computer-aided diagnosis techniques, such as deep learning and machine learning models. In this study, image processing and machine learning techniques were used to classify skin lesions. In image processing, different mathematical algorithms have been applied to increase image quality. After an image preprocessing stage, which includes filtering the unwanted pixels in the images, image segmentation was performed using the watershed method and the lesioned regions were separated. Then, based on the ABCDT rule, feature extraction was performed with the lesions, asymmetry, border irregularity, color, diameter, and texture analysis. Texture analysis was performed based on Haralick texture properties. Finally, classification was performed with softmax regression, k-nearest neighbor (KNN), and support vector machines (SVM) algorithm. Standard performance measures called accuracy, precision, recall, and F1-score values are used to evaluate the results of the methods used for classification. When the results obtained from the classifiers are compared, it has been observed that the accuracy of the SVM classifier is higher than the softmax regression and k-nearest neighbor (KNN) algorithm.

Benzer Tezler

  1. Tez No

    512333

    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

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  2. Tez No

    706800

    Dermatolojik görüntülerde melanomlu bölge tespiti için hibrit destek vektör makinesi yöntemi geliştirilmesi

    Development of hybrid support vector machine method for detection of melanoma area in dermatological images

    SÜMEYYA İLKİN

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SUHAP ŞAHİN

  3. Tez No

    811311

    Deri lezyon görüntülerinin makine öğrenmesi ve derin öğrenme yöntemleriyle sınıflandırılması

    Classification of skin lesion images using machine learning and deep learning techniques

    ELİF KANCA

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SELEN AYAS

  4. Tez No

    736042

    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

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSA AYDIN

    DR. ÖĞR. ÜYESİ ALİ NİZAM

  5. Tez No

    874467

    Tıbbi teşhis için deri lezyonlarının segmentasyonu ve sınıflandırılması

    Segmentation and classification of skin lesions for medical diagnosis

    MERVE GÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AMANİ YUSUF

Geri Dön