Exploring transfer learning strategies with pre-trained convolutional neural network for skin cancer classification
Cilt kanserinin sınıflandırılmasına yönelik önceden eğitimli evrımsel sinir ağlarıyla transfer öğrenme stratejilerinin keşfedilmesi
- Tez No: 877189
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULLAHI ABDU IBRAHIM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Cilt kanseri cilt hücrelerinde başlayan bir kanser türüdür. Tipik olarak güneşten veya bronzlaşma yataklarından gelen ultraviyole (UV) radyasyonun neden olduğu hasarın bir sonucu olarak cilt hücrelerinin uygunsuz bir şekilde büyümesi durumunda ortaya çıkar. Cilt kanserinin çeşitli türleri vardır; en yaygın olanları şunlardır: Bazal hücreli karsinom (BCC), Skuamöz hücreli karsinom (SCC) ve Melanom. Cilt kanseri tanısı genellikle bir dermatolog tarafından yapılan ve genellikle şüpheli lezyonlardan alınan biyopsinin yardımıyla yapılan cilt muayenesi yoluyla konur. Cilt kanseri için tedavi seçenekleri, kanserin türüne, boyutuna ve konumuna bağlıdır ve ameliyat, radyasyon terapisi, kemoterapi, immünoterapi veya hedefe yönelik tedaviyi içerebilir. Cilt kanserinin erken teşhisi ve tedavisi, başarılı sonuçlar için çok önemlidir; bu nedenle, özellikle açık tenli, güneşe maruz kalma öyküsü veya aile geçimini gibi faktörler nedeniyle daha yüksek risk altında olan kişiler için düzenli kendi kendine cilt muayeneleri ve profesyonel cilt kontrolleri önerilir. Derin öğrenme yöntemleri, cilt kanseri sınıflandırmasında tanısal doğruluk ve verimlilikte potansiyel iyileştirmeler sunan güçlü araçlar olarak ortaya çıkmıştır. Bu çalışma, ISIC Arşivinden Cilt Kanseri (Malign ve Benign) olarak adlandırılan bir veri seti için cilt kanserinin sınıflandırılmasını önermektedir. Keşfedici veri analizi ve titiz veri ön işlemesi ilk adımlardır, ardından veri kümesini sınıflandırmak için farklı sınıflandırıcılar kullanılır, önerilen son aşamada (CNN) mimarilerinin uygulanması kullanılır. Karşılaştırmalı bir analiz yoluyla araştırma, MobileNet mimarisini en etkili model olarak tanımlar. İyi huylu ve kötü huylu cilt lezyonlarını ayırt etmede yaklaşık %94,09'luk bir doğruluk elde ederek InceptionV3, Xception ve DenseNet201 gibi test edilen diğer mimarileri geride bırakıyor. Bu çalışma tıp alanına sağlam bir sınıflandırma yöntemi katıyor ve aynı zamanda cilt kanseri teşhisinin doğruluğunu ve verimliliğini artırmak için gelecekteki çalışmalar için bir çerçeve sunuyor.
Özet (Çeviri)
Skin cancer is a type of cancer that starts in the skin cells. It occurs when there is an inappropriate growth of skin cells, typically as a result of damage from ultraviolet (UV) radiation from the sun or tanning beds. There are several types of skin cancer, the most common ones being: Basal cell carcinoma (BCC), Squamous cell carcinoma (SCC), and Melanoma. Skin cancer is typically diagnosed through a skin examination by a dermatologist, often aided by a biopsy of suspicious lesions. Treatment options for skin cancer depend on the type, size, and location of the cancer, and may include surgery, radiation therapy, chemotherapy, immunotherapy, or targeted therapy. Early detection and treatment of skin cancer are crucial for successful outcomes, so regular skin self-exams and professional skin checks are recommended, especially for individuals at higher risk due to factors such as fair skin, a history of sun exposure, or family history. Deep learning methods have emerged as powerful tools for skin cancer classification, offering potential improvements in diagnostic accuracy and efficiency. this study proposes a classification of skin cancer for a dataset, is named Skin Cancer (Malignant and Benign) from the ISIC Archive. Exploratory data analysis and meticulous data preprocessing are the first steps, then different classifiers are used to classify the dataset, the last stage proposed employs the application of (CNN) architectures Through a comparative analysis, the research identifies the MobileNet architecture as the most effective model, achieving an accuracy of approximately 94.09% in differentiating between benign and malignant skin lesions, surpassing other tested architectures like InceptionV3, Xception, and DenseNet201. This work contributes a robust classification method to the medical field and also presents a framework for future studies to enhance the accuracy and efficiency of skin cancer diagnostics.
Benzer Tezler
- Akaryakıtla çalışan endüstriyel tav fırınlarında yanma, sıcaklık ve basıncın optimum kontrolu
Optimum control of combustion temperature and pressure in industrial tempering furnaces working with fuel-oil
MEHMET EROĞLU
Yüksek Lisans
Türkçe
1987
Makine MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. YÜCEL ERCAN
- Çekirdeksiz kuru üzümde uygulanan politikanın Ege Bölgesinde üretim ve üretici açısından sonuçlarının değerlendirilmesi
Başlık çevirisi yok
GÜVEN ÖZERİN
- S.S. Çiçek yetiştirme ve satış kooperatifi İzmir mezatında aylara göre piyasaya arzedilen süs bitkileri cinsleri ve toptan fiyatlarının 1984-1985 kış sezonu (Kasım-Mayıs) içerisindeki değişimi
Başlık çevirisi yok
TANAY BİRİŞÇİ
Yüksek Lisans
Türkçe
1986
Peyzaj MimarlığıEge ÜniversitesiPeyzaj Mimarlığı Ana Bilim Dalı
DOÇ. DR. ADNAN HATİPOĞLU
- KY-89 zeolitinde asitlik dağılımının ve bazı hidrokarbonların etkin difüzyon katsayılarının gaz kromatografi ile tayini
Başlık çevirisi yok
SEZAİ ERDEM
Yüksek Lisans
Türkçe
1987
Kimya MühendisliğiEge ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖNÜL GÜNDÜZ
- Renk görüntü teorisi ve televizyona uygulaması
Theories of colour vision and their application to television
MUSTAFA LAMİ TAPLAMACIOĞLU
Doktora
Türkçe
1986
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Eğitimi Ana Bilim Dalı
DOÇ. DR. ATİLLA ÖZMEN