Cilt kanserinin siniflandirilmasi için derin öğrenme modellerinin kullanilmasi
Using deep learning architectures for skin cancer classification
- Tez No: 875356
- Danışmanlar: ASSOCIATE PROFESSOR. ÖZKAN İNİK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Science and Technology, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 94
Özet
En yaygın kanser türlerinden biri olan cilt kanserinin başarılı bir şekilde tedavi edilmesi için erken ve kesin teşhis konulması gerekmektedir. Bu sebeple uzman hekime yardımcı olması için bilgisayarlı görü sistemleri kullanılmaktadır. Özellikle derin öğrenme mimarilerinin geliştirilmesi ile bu süreç dahada hızlanmıştır. Evrişimsel Sinir Ağları (CNN'ler), son yıllarda görüntü tabanlı sınıflandırma uygulamalarında etkileyici sonuçlar gösteren güçlü bir derin öğrenme yöntemi haline gelmiştir. Bu sebeple yapılan bu tez çalışmasında cilt kanserinin sınıflandırılması için popüler CNN modelleri olan ResNet, InceptionV3, AlexNet ve VGG16 modellerinin orjinal sürümleri ile bu modellerin yeniden tasarlanması ile elde edilen uyarlanmış modeller kullanılmıştır. Bu modellere ilaveten özgün tasarlanmış yeni bir CNN modeli geliştirilmiştir. Bütün bu derin öğrenme modelleri cilt kanseriyle ilgili kapsamlı görüntüleriyle geniş çapta tanınan ISIC veri kümeleri üzerinde denenmiştir. Bu veri seti kullanılmadan önce, tez kapsamında veri seti üzerinde ön işlem gerçekleştirilmiştir. Yapılan ön işlem ile sınıflar arası veri adet dengesizliği veri arttırma teknikleri ile giderilmiştir. Yeniden düzenlenen veri seti ile derin öğrenme modelleri eğitilmiş test verisi üzerinde modellerin performansı ölçülmüştür. Veri setindeki görüntü boyutları derin öğrenme modellerinin giriş katmanındaki boyuta göre yeniden düzenlenerek eğitimler gerçekleştirilmiştir. Önerilen CNN modeli, görüntü boyutu 224x224x3 olan veri setinde %83,22 gibi bir değere ve 128x128x3 boyutundaki görüntülerde ise daha yüksek bir doğruluk oranı olan %86 ulaşmıştır. Bu sonuçlar, önerilen CNN modelinin çok yönlülüğünü ve çeşitli görüntü çözünürlüklerinde güçlü performansını göstererek pratik klinik uygulamalara yönelik potansiyelini ortaya koymuştur. Önerilen CNN modeli ile elde edilen sonuçlar diğer geliştirilmiş ve önceden eğitilmiş CNN modelleri ile kapsamlı bir kıyaslama yapılmıştır. Ön eğitilmiş modeller daha önce yüksek boyuttaki veri setleri üzerinde eğitildiği için bu çalışmada önerilen yönteme nispeten yüksek başarı göstermiştir. Ön eğitilmiş modellerden olan ve en düşük doğruluğu sergileyen VGG16 modeli %86 doğruluk oranıyla nispeten zayıf performans göstermiştir. Öte yandan, InceptionV3 %90'lık yüksek bir doğrulukla diğer modelleri geride bırakırken, AlexNet %89'luk kayda değer bir doğruluk göstermiştir. Son olarak ResNet50 modeli ise %88 doğrulukla önemli bir performans sergilemiştir. Elde edilen sonuçlar, önerilen modelin ön eğitilmiş modellere göre daha az veri seti ile eğitilmesine rağmen bu modellere yakın bir doğruluk oranı elde etmiştir. Bu tez çalışması, tanısal kesinliği artırmak ve dolayısıyla cilt kanseri tedavisinde daha iyi klinik sonuçlara ulaşmak için gelişmiş derin öğrenme modellerinden ve kapsamlı veri kümelerinden yararlanmanın önemini vurgulamıştır.
Özet (Çeviri)
Skin cancer, one of the most common types of cancer, requires early and accurate diagnosis for successful treatment. For this reason, computer vision systems are used to assist specialist doctors. Especially with the development of deep learning architectures, this process has accelerated even more. In recent years, Convolutional Neural Networks (CNNs) have become a powerful deep learning method that has shown impressive results in image-based classification applications. For this reason, in this thesis, the original versions of the popular CNN models ResNet, InceptionV3, AlexNet and VGG16 and the adapted models obtained by modifying these models are used for skin cancer classification. In addition to these models, a new novel CNN model was developed. All these deep learning models were tested on the ISIC dataset, which is widely recognized for its comprehensive images of skin cancer. Before using this dataset, preprocessing was performed on the dataset as part of the thesis. With this preprocessing, the imbalance in the amount of data between classes was eliminated with data augmentation techniques. Deep learning models were trained with the reorganized dataset and the performance of the models was measured on the test data. The training of the models was performed by rearranging the image sizes in the dataset according to the size in the input layer of the deep learning models. The proposed CNN model achieved an accuracy of 83.22% for the dataset with an image size of 224x224x3 and a higher accuracy of 86% for images with a size of 128x128x3. These results demonstrate the versatility of the proposed CNN model and its potential for practical clinical applications by demonstrating its strong performance at various image resolutions. The results obtained with the proposed CNN model are extensively compared with other developed and pre-trained CNN models. Since the pre-trained models have been previously trained on high dimensional datasets, they have shown relatively high performance compared to the proposed method in this study. The VGG16 model, which is one of the pre-trained models and shows the lowest accuracy, performed relatively poorly with an accuracy of 86%. On the other hand, InceptionV3 outperformed the other models with a high accuracy of 90%, while AlexNet showed a remarkable accuracy of 89%. Finally, ResNet50 performed well with an accuracy of 88%. The results obtained show that the proposed model achieved an accuracy rate close to these models despite being trained with fewer datasets than the pre-trained models. This thesis study emphasized the importance of utilizing advanced deep learning models and comprehensive datasets to improve diagnostic accuracy and thus achieve better clinical outcomes in skin cancer treatment.
Benzer Tezler
- Cilt lezyonlarının sınıflandırılmasında yumuşak dikkat tabanlı çok modlu derin öğrenme modellerinin geliştirilmesi
Development of soft attention based multi-modal deep learning models for skin lesion classification
HUSSEIN MAHMOOD ABDO MOHAMMED
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMİN ARGUN ORAL
- 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
- Classification of melanoma malignancy in dermatology
Dermatolojide melanoma malignansının sınıflandırılması
BİLGE SÜHEYLA GAZİOĞLU
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Cilt kanseri sınıflandırması için hibrit derin öğrenme modellerinin geliştirilmesi
Development of hybrid deep learning models for skin cancer classification
İBRAHİM ARUK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET NUSRET TOPRAK
- 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