Vit-skinnet: A novel vision transformer-based ShufflenetV3 model for efficient skin cancer detection with segmentation mechanism
Vıt-skınnet: Segmentasyon mekanizması ile etkili cilt kanserinin tespiti için yeni bir vizyon transformatör tabanlı ShufflenetV3 modeli
- Tez No: 940522
- Danışmanlar: DOÇ. DR. SEFER KURNAZ
- 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: 75
Özet
Ölümcül bir cilt kanseri türü olan melanom, her yıl yüzlerce kişinin ölümüne neden oluyor. Cilt kanseri tipik olarak“bacaklar, yüz, kollar ve boyun”gibi cildin sıklıkla güneş ışığına maruz kalan bölgelerini etkiler. Derideki pigmentli lezyonların görsel olarak incelenmesiyle melanom erken tespit edilebilir ve kötü huylu hücrelerin çıkarılması gibi basit bir yöntemle tedavi edilebilir. Ancak dermatoloğun azlığı nedeniyle derinin yalnızca çıplak gözle incelenmesi sınırlı ve tutarsız bir doğruluğa sahiptir. Bu durum aynı zamanda hastaların birden fazla biyopsi almasına neden olmakta ve tedavi sürecini aksatmaktadır. Lezyonların dermoskopi görüntülerinden otomatik olarak tanımlanması, karmaşık lezyon özelliklerinden ve tespit zemininin bir sonucu olarak çeşitli engeller içerir. Lezyon özelliklerinin ana sınıf içi varyasyonları ve sınıflar arası benzerlikleri üzerine araştırma eksikliği vardır ve önceki çözümler öncelikle, çok daha gelişmiş tespit doğruluğu ile cilt kanserinin varlığını tespit etmek için daha büyük ve daha karmaşık sistemlerin kullanılmasına odaklanmaktadır. Çeşitli sorunları geleneksel yöntemlerle ele almak amacıyla, derin öğrenme yaklaşımlarını kullanarak cilt kanserinin tanımlanmasına yönelik başarılı bir yapı oluşturmak giderek daha önemli hale geliyor. Uygulanan cilt kanseri tespit ve sınıflandırma modelinin gerçekleştirilmesi gereken üç önemli prosedür vardır. Dermoskopi görüntülerinin toplanması, görüntülerin segmentlere ayrılması için yapılan segmentasyon süreci ve tespit aşaması, uygulamaya konulan cilt kanseri tespit sisteminin üç ana aşamasıdır. İlk olarak, testler için gerekli görüntüleri sağlamak amacıyla kıyaslama görüntüleri kullanılır. Görüntüler toplandıktan sonra segmentasyon aşaması gerçekleştirilir. Segmentasyon adımı, toplanan görüntüleri girdi olarak alır. Daha sonra etkili bir segmentasyon gerçekleştirmek için Residual DenseUNet++ (ResDenseUNet++) kullanılır. Bu noktada, elde edilen parçalı görüntü, geliştirilen ResDenseUNet++ tarafından sağlanmakta ve daha sonraki aşamanın girdileri için dikkate alınmaktadır. Ek olarak, parçalı görüntü daha sonra özellik çıkarma işlemine tabi tutularak degrade filtre görüntüsü ve doku deseni görüntüsü elde edilir. Ek olarak, elde edilen görüntü sonuçları daha sonra cilt kanseri tespit aşaması için girilir. Tespit aşamasında, Vision Transformer'ı (ViT-ShufflenetV3) temel alan yeni geliştirilen ShufflenetV3 uygulanır ve cilt kanserini etkili bir şekilde tanımak için kullanılır. Birçok deneysel doğrulamada, önerilen cilt kanseri tanımlama sistemi, diğer geleneksel modellere göre cilt kanserine ilişkin daha kesin bir sınıflandırma sonucu sağlamıştır.
Özet (Çeviri)
Melanoma, a deadly type of skin cancer, claims hundreds of lives every year. Skin cancer typically affects areas of skin that are exposed to sunlight on a frequent basis, such as the“legs, face, arms, and neck”. By visually examining lesions with pigment on the skin, melanoma can be identified early and treated with a straightforward method of removal of the malignant cells. However, the examination of the skin by the naked eye alone has a restricted and inconsistent accuracy owing to the scarcity of dermatologists. This also leads the patients to undergo multiple biopsies and thus hampers the course of treatment. The automatic identification of lesions from the dermoscopy images involves several obstacles due to the intricate lesion characteristics and as a result of the detection backdrop. There is a dearth of research on major intra-class variations and inter-class similarities of lesion characteristics, and the prior solutions primarily concentrate on employing larger and more complicated systems for detecting the presence of skin cancer with much-enhanced detection accuracy. In order to address various issues with the traditional methods, it is therefore increasingly crucial to create a successful structure for the identification of skin cancer through the use of deep learning approaches. The implemented skin cancer detection and classification model has three crucial procedures to perform. The collection of dermoscopy images, the segmentation process for segmenting the images, and the detection phase are the three main stages of the implemented skin cancer detection system that is put into practice. First, the benchmark images are utilized to provide the images that are needed for the tests. Once the images are gathered, then the segmentation phase is executed. The segmentation step receives the gathered images as its input. Then, the Residual DenseUNet++ (ResDenseUNet++) is used to carry out an effective segmentation. At this point, the resultant segmented image is provided by the developed ResDenseUNet++, which is then considered for the later stage's inputs. Additionally, the segmented image is then given to the feature extraction process by which the gradient filter image and the texture pattern image are obtained. Additionally, the obtained image results are then inputted for the phase of skin cancer detection. During the detection phase, the newly developed ShufflenetV3 based on Vision Transformer (ViT-ShufflenetV3) is implemented and used to effectively recognize skin cancer. In many experimental validations, the recommended skin cancer identification system has ensured a more precise classification outcome regarding skin cancer than other traditional models.
Benzer Tezler
- ViT, DeiT ve Swin tabanlı hibrit derin öğrenme modeli ile beyaz kan hücresi görüntülerinin sınıflandırma performansının değerlendirilmesi
Evaluating the classification performance of a ViT, DeiT and Swin-based hybrid deep learning model for white blood cell images
AYŞEGÜL YILMAZ
Yüksek Lisans
Türkçe
2025
BiyomühendislikSamsun ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALPASLAN KOÇ
- Antalya yöresinde, early amber, early red ve flordasun şeftali çeşitlerine fenolojik ve pomolojik çalışmalar
Başlık çevirisi yok
ŞERİFE TORUN
Yüksek Lisans
Türkçe
1986
ZiraatÇukurova ÜniversitesiBahçe Bitkileri Ana Bilim Dalı
PROF.DR. NURETTİN KAŞKA
- Bazı vitamin ve minerallerin etlik piliçlerin et kalitesine etkilerinin saptanması üzerine bir araştırma
A Study on the effects of some vitamins and minerals in broilers meat quality
SİBEL KARACA
Yüksek Lisans
Türkçe
2006
Gıda MühendisliğiCelal Bayar ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
PROF. DR. SEMRA KAYAARDI
- Azapropazon'un relatif biyoyararlanımı
Başlık çevirisi yok
AYLİN BAL
Yüksek Lisans
Türkçe
1993
Eczacılık ve Farmakolojiİstanbul ÜniversitesiFarmakoloji Ana Bilim Dalı
DOÇ.DR. GÜL BAKTIR