Detection of skin cancer via deep learning methods
Derin öğrenme yöntemleri ile cilt kanseri tespiti
- Tez No: 929643
- Danışmanlar: PROF. DR. HASAN ERBAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: OSTİM TEKNİK ÜNİVERSİTESİ
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
- Sayfa Sayısı: 50
Özet
Araştırma, CNN yeteneklerini topluluk öğrenme teknikleriyle harmanlayan cilt kanseri teşhisine yeni bir yaklaşım sunuyor. CNN'ler, görüntü tanıma görevlerinde olağanüstü performans sergileyen bir tür derin öğrenme algoritmasıdır ve bu da onları cilt kanseri belirtileri açısından dermatoskopik görüntüleri değerlendirmek için ideal kılar. Bu ağlar, iyi huylu ve kötü huylu cilt bozuklukları arasındaki ince farkları tanımak için gerekli olan verilerdeki karmaşık kalıpları öğrenebilir. Bu çalışma, CNN'lerin yüksek kaliteli cilt resimlerinden oluşan geniş bir koleksiyonla eğitilmesini önermektedir. Amaç, CNN'lere resimlerdeki şekil, renk, doku ve cilt kanserine işaret eden kenar anormallikleri gibi önemli hususları tanımayı öğretmektir. Kurtarılan nitelikler daha sonra fotoğrafları cilt kanserinin farklı alt türlerine göre kategorize etmek için kullanılır ve deneyimli dermatologlarınkine eşit veya bundan daha yüksek bir doğruluk elde etmek amacıyla kullanılır. Tespit sisteminin doğruluğunu ve güvenilirliğini artırmak için çalışmada genellikle topluluk öğrenimi olarak bilinen montaj metodolojileri kullanıldı. Bu strateji, nihai bir karara varmak için birçok CNN modelinin tahminlerini birleştirir. Bu yöntemin ardındaki mantık, birkaç modelin verinin farklı bölümlerini öğrenebilmesi ve tahminlerinin birleştirilmesinin sistemin daha sağlam ve doğru bir sınıflandırma üretmesine olanak sağlamasıdır. Çalışmanın önerilen birleştirme teknikleri, topluluktaki her modelin belirli bir sınıflandırma için 'oy verdiği' oylama ve son sınıflandırmanın tüm model tahminlerinin ortalaması alınarak belirlendiği ortalama alma gibi taktikleri içerir. Bu taktikler, bireysel modellerin kusurlarını hafifletirken güçlü yanlarını da ortadan kaldırmayı ve böylece daha öngörülebilir ve güvenilir bir sistem elde etmeyi amaçlıyor. Çalışmanın sayısal, kategori ve görsel verileri birleştirme stratejisi özellikle dikkat çekicidir. Araştırmacılar, bu birçok veri türünü birleştirerek her vakaya ilişkin daha eksiksiz ve bütünsel bir görünüm elde etmeyi, belki de cilt kanseri biyolojisine ilişkin daha derin içgörüleri ortaya çıkarmayı ve model tahmin doğruluğunu artırmayı umuyor. Bu çalışmanın büyük bir etki yaratma potansiyeli var. Başarılı olması durumunda önerilen teknik, cilt kanseri tespit ve teşhisini daha verimli, daha az invaziv ve daha erişilebilir hale getirerek devrim yaratma potansiyeline sahiptir. Aynı zamanda dermatologlar için de faydalı bir araç olabilir ve teşhis cephaneliğine önemli bir değer katabilir. Son olarak, önerilen çaba, CNN'lerin avantajlarını montaj tekniklerinin sağlamlığıyla birleştiren son teknoloji ürünü bir cilt kanseri tespit sistemi oluşturmayı amaçlamaktadır. Bunu yaparak, hasta bakımı ve tüm sağlık sistemi üzerinde geniş kapsamlı etkileri olabilecek erken cilt kanseri tespiti için son derece doğru, invaziv olmayan ve etkili bir araç sağlamak istiyor.
Özet (Çeviri)
Skin cancer, particularly melanoma, is one of the deadliest types of cancer if not diagnosed early. The introduction of deep learning, particularly CNNs, has transformed the approach to skin diagnosis. CNNs, which can learn hierarchical representations, have formed the foundation of image-based skin cancer detection systems. These networks are trained on large datasets of dermatoscopic images to identify patterns and traits common to diverse skin cancer subtypes.Recent research have demonstrated that assembly approaches, which include many deep learning models, increase the resilience and accuracy of skin cancer classification. These strategies seek to decrease the chance of misdiagnosis by utilizing the strengths of many models and increasing confidence in the automated system's predictions. This article provides a novel framework for detecting and classifying skin cancer using CNNs and assembly approaches. The system preprocesses the photos to standardize the input, uses CNNs to extract features, and employs assembly techniques to combine the outputs of many CNN models. The final categorization is made using a voting or averaging procedure, which ensures that the diagnosis reflects the consensus of numerous specialist models.The suggested approach intends to provide a dependable, efficient, and non-invasive tool for detecting skin cancer, potentially lowering the need for biopsies and promoting early intervention. With the ability to interpret and analyze pictures on a scale unreachable by human professionals, this integrated method has the potential to greatly improve patient care and results in dermatology. This abstract emphasizes the possibility of merging CNNs with assembly methods to produce a cutting-edge system for skin cancer detection, which might revolutionize the early identification and treatment of this illness.
Benzer Tezler
- 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
- Kanserli hastalarda semptom kontrolünün değerlendirilmesi
Determination of symptom control with cancer patients
SEDA KURT SADIRLI
- Differential laser-induced perturbation spectroscopy for analysis of biological and bio-related materials
Başlık çevirisi yok
ERMAN KADİR ÖZTEKİN
- Non-palpabl meme lezyonlarında işaretleme ile eksizyon yapılan hastalarda memekarsinomu saptanmasını etkileyen faktörler
Başlık çevirisi yok
NİDAL İFLAZOĞLU
Tıpta Uzmanlık
Türkçe
2011
Genel CerrahiSağlık BakanlığıGenel Cerrahi Ana Bilim Dalı
DOÇ. DR. ERCÜMENT TARCAN
PROF. DR. MURAT KEMAL ATAHAN
- PD-L1 proteinine yönelik görüntüleme ajanı geliştirilmesi ve sentezi
Development and synthesis of moleculer imaging agent for protein PD-L1
CEYDA KÖSE
Yüksek Lisans
Türkçe
2020
Kimyaİstanbul Teknik ÜniversitesiKimya Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR ALPTÜRK
DR. ÖZGÜR YILMAZ
