Computer vision-based skin problems identification for personalized skin analytics
Kişiselleştirilmiş cilt analitiği için bilgisayarla görü tabanlı cilt problemleri tanımlama
- Tez No: 982080
- Danışmanlar: YRD. DOÇ. DR. WADHAH ZEYAD TAREQ AL GBARI
- 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: İstinye Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dermatolojik problemlerin tanınmasında yapay zekâ kullanımı, dermatoloji alanındaki tanı ve tedavi süreçlerini dönüştürme potansiyeline sahiptir. Ancak bu alandaki en büyük zorluklardan biri, çeşitli ve kamuya açık veri kümelerinin eksikliğidir. Bu araştırma, beş yaygın cilt problemi olan göz altı morlukları, akne, kırışıklıklar, gözenekler ve koyu lekelere odaklanan özel bir veri kümesi geliştirerek bu boşluğu kapatmayı amaçlamaktadır. Her bir durum için, etkilenen ve etkilenmeyen ciltlerden 400'er görüntü toplanmış, ardından veri kümesini dengelemek ve artırmak amacıyla kapsamlı veri artırma (data augmentation) işlemleri gerçekleştirilmiş ve her kategoride yaklaşık 8.000 görüntü elde edilmiştir. Bu veri kümesi üzerinde üç evrişimli sinir ağı modeli (CNN): VGG16, EfficientNetB0 ve özel olarak tasarlanmış bir CNN geliştirilmiş ve test edilmiştir. VGG16 modeli, %86 ile %91 arasında değişen test doğruluk oranları ve beş cilt durumu için ortalama 0.89 F1 skoru ile diğer modellere göre üstün performans göstermiştir. Sistemin güvenilirliği, farklı cilt tonlarına ve cinsiyetlere sahip bireylerin canlı fotoğraflarını içeren 18 farklı görüntü üzerinde yapılan gerçek zamanlı testlerle pekiştirilmiş ve %90'ın üzerinde doğru sınıflandırma başarısı elde edilmiştir. Bu da modelin gerçek dünya uygulamaları için oldukça uygun olduğunu göstermektedir. Doğru analiz sağlanabilmesi için yüz hatları tespiti (facial landmark detection) ve bölütleme (segmentation) teknikleri kullanılarak yanak, alın ve burun gibi ilgi alanlarına odaklanılmıştır. Bu yaklaşım, yüz tespiti ile görüntü işleme yöntemlerini birleştiren genel bir çerçeve içerisinde sunulmuştur. Tüm sistem, kullanıcıların selfie yükleyerek anında tanı sonuçlarını alabileceği bir mobil uygulama ile entegre edilmiştir. Sonuçlarımız, kapsayıcı veri kümelerinin önceden eğitilmiş CNN mimarileri ve gelişmiş yüz bölütleme teknikleri ile birleştirilmesinin dermatolojik zorlukların üstesinden gelmede etkili olduğunu göstermektedir. Bu çalışma, yapay zekâ destekli cilt analiz araçlarını ilerletmekle kalmamakta, aynı zamanda kişiselleştirilmiş cilt bakımında ve uzaktan tıbbi danışmanlıklarda büyük potansiyele işaret etmektedir.
Özet (Çeviri)
The use of artificial intelligence in the recognition of dermatological problems has great potential to transform the diagnosis and treatment processes in dermatology. However, the lack of diverse and publicly available datasets has been a big challenge in this field. This research closes the gap identified by developing a focused dataset that targets five common skin conditions: dark circles, acne, wrinkles, pores, and dark spots. For every condition, we collected 400 images each of affected and unaffected skin and, after that, performed extensive data augmentation to balance and increase the dataset, which yielded us approximately 8,000 images in each category. Three convolutional neural network models: VGG16, EfficientNetB0, and a custom CNN, were developed and tested on this dataset. The performance of VGG16 outperformed the other comparative models, with test accuracies between 86% and 91%, and an average F1-score of 0.89 for the five tested conditions. The system's reliability was further established through real-time testing on 18 different images, including live photos of people with different skin tones and genders, with accurate classifications in over 90% of cases. This attests to the model's great applicability and appropriateness in real-world contexts. For the achievement of accurate analysis, facial landmark detection and segmentation techniques—specifically dlib's 68-point shape predictor—were used to focus on specific regions of interest, including the cheeks, forehead, and nose. Additionally, MTCNN (Multi-task Cascaded Convolutional Networks) was employed for robust and precise face detection. This was incorporated into an overall framework, where face detection was combined with image processing to achieve maximum effectiveness. The entire system was integrated with a mobile application in which users could upload selfies and obtain instant diagnosis results. Our results confirm the power of combining inclusive datasets with pre-trained CNN architectures and advanced facial segmentation techniques in overcoming dermatological challenges effectively. This work advances AI-driven skin analysis tools, but more importantly, it underlines their huge potential in personalized skincare and remote medical consultations.
Benzer Tezler
- Otomatik avuç içi bölütlenmesinin gerçekleştirilmesinde farklı derin öğrenme modellerinin performanslarının incelenmesi
Investigation of the performances of different deep learning models in the implementation of automatic palm print segmentation
KADİR YALÇIN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGümüşhane ÜniversitesiYapay Zeka ve Akıllı Sistemler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RAMAZAN ÖZGÜR DOĞAN
- Face detection and facial expression recognition using moment invariants
Moment öznitelikleri kullanarak yüz konum tespiti ve yüzsel ifade tanımlama
ALİ KARAALİ
Yüksek Lisans
İngilizce
2012
Elektrik ve Elektronik MühendisliğiBahçeşehir ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM EROĞLU ERDEM
- Durgun görüntülerden yüz ifadelerinin tanınması
Facial expression recognition from static images
BİLGE SÜHEYLA AKKOCA
Yüksek Lisans
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHİTTİN GÖKMEN
- Emotion aware artificial intelligence for cognitive systems
Bilişsel sistemler için duygu farkındalıklı yapay zeka
DEĞER AYATA
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Investigation of deep learning approaches for biomedical data classification
Biyomedikal veri sınıflandırmasında derin öğrenme yaklaşımlarının araştırılması
ESRA MAHSERECİ KARABULUT
Doktora
İngilizce
2016
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURGAY İBRİKÇİ