Skin cancer detection using CNN and random forest: A hybrid approach
CNN ve rastgele orman kullanarak cilt kanseri tespiti: Hibrit bir yaklaşım
- Tez No: 938841
- Danışmanlar: PROF. DR. ALİ OKATAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: cilt kanseri, CNN, Rastgele Orman, ISIC, veri artırımı, temel bileşen analizi, makine öğrenmesi, derin öğrenme, skin cancer, CNN, Random Forest, ISIC, data augmentation, principal component analysis, machine learning, deep learning
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka ve Veri Bilimi Bilim Dalı
- Sayfa Sayısı: 48
Özet
Cilt kanseri dünya çapında önemli bir sağlık sorunudur ve hasta sonuçlarını iyileştirmek için hızlı ve güvenilir tespit prosedürleri gerektirir. Derin öğrenme algoritmalarının dahil edilmesi, teşhis hassasiyetini artırarak ve bekleme sürelerini kısaltarak dermatologlara önemli ölçüde yardımcı olur, bu da hem hastalara hem de sağlık uzmanlarına fayda sağlar. Hızlı ve kesin tespit, cilt kanserinin etkili tedavisinde kritik öneme sahiptir. Bu çalışmada, cilt kanseri sınıflandırması için güçlü derin öğrenme tahmin modelleri oluşturmaya odaklanılmakta ve bu tür veri kümelerindeki önemli sınıf dengesizliğinin üstesinden gelmeye özellikle vurgu yapılmaktadır. Ayrıca, dermatolojik teşhis prosedürlerinin iyileştirilmesi için değerli bilgiler sağlayacak olan bu modellerin içindeki karar verme mekanizmalarını anlamaya çalışıyoruz. Genelleme ve doğruluk sınıflandırmasına odaklanarak bir evrişimli sinir ağı (CNN) ve bir rastgele orman modelinin performansını araştırdık. Analizimiz, modelin yeni verilere uyum sağlama ve çeşitli faaliyetler üzerinde sürekli olarak doğru sınıflandırmalar sağlama becerisine odaklanmaktadır. Yedi tür cilt kanseri lezyonunu tespit etmek için 46.935 RGB resimden oluşan ISIC veri kümesini kullanarak optimize edilmiş bir CNN kullandık. Özellik seçimi, bileşen sayısını 300'e düşüren temel bileşen analizi (PCA) kullanılarak yapılmıştır. CNN modeli, diğer şeylerin yanı sıra Adadelta optimize edici kullanılarak eğitildi. Toplanan CNN özellikleri daha sonra PCA bileşenleri ile karıştırıldı ve doğruluğu artıran bir Rastgele Orman sınıflandırıcısına yerleştirildi. Kullanılan birleştirilmiş model %100 eğitim doğruluğu ve %97,38 test doğruluğu elde ederek erken evre melanom teşhisinde etkinliğini kanıtlamıştır. Her bir eğitim oturumundaki hassasiyet, geri çağırma ve F1 sonuçları, modelin sağlam performansını göstermektedir.
Özet (Çeviri)
Skin cancer is one of the most serious health concerns worldwide. The rapid and reliable detection of it, therefore, becomes vital for better patient outcomes. Deep learning algorithms have immense applications in assisting dermatologists to enhance diagnosis precision and shorten waiting times, benefiting the patients and healthcare professionals altogether. Rapid and precise detection is critical in the effective treatment of skin cancer. In this study, the focus is on constructing strong deep-learning prediction models for skin cancer classification, with a particular emphasis on overcoming the challenge of significant class imbalance in such datasets. We also seek to comprehend the decision-making mechanisms inside these models, which will give valuable insights for the improvement of dermatologic diagnostic procedures. We investigated the performance of a convolutional neural network (CNN) and a random Forest model, which focuses on the generalization of classification with accuracy. Further study would be conducted based on the ability of the model to generalise better using newer data to generate classifications of different activities with continuously high accuracy. Using an optimised CNN we applied detection for seven varieties of skin cancer lesions based on the ISIC (HAM10000) dataset comprising 10015 RGB images and applied Principal component analysis, which reduced the number of components to 400 among others, the CNN model was trained using the Adadelta optimizer with 30 epochs for training , Then collected CNN features were mixed with the PCA components from the penultimate layer in cnn model and placed in a Random Forest classifier, improving the accuracy. The model fused with obtained 99% training accuracy and 97.38% test accuracy to diagnose melanoma at an early stage. The precision, recall, and F1 results across individual training sessions show the robust performance of the model.
Benzer Tezler
- A hybrid of CNN and PCA in skin cancer for improving accuracy detection
Doğruluk tespitinin iyileştirmek için cilt kanserinde CNN ve PCA hibriti
MOHAMMED HANI SHAKIR KFASHI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiÇankırı Karatekin ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ZAFER CİVELEK
- Hybrid detection techniques for skin cancer images
Başlık çevirisi yok
HASAN ABED HASAN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAHI ABDU IBRAHIM
- Melanoma skin cancer detection using machine learning techniques
Makine teknikleri kullanılarak melanom cilt kanserinin tespiti
MUHAMMAD ALI ABBASI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ OKATAN
- Skın cancer detectıon and classıfıcatıon usıng deep learnıng
Derin öğrenme kullanilarak cilt kanserinin tespiti ve siniflandirilmasi
ALZAHRAA YAHYA HAIDER HAIDER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GALİP CANSEVER
- 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