Research Article
BibTex RIS Cite

Dermatolojik Görüntü Analizi için Derin Öğrenme Modellerinin Karşılaştırılması: EfficientNet Zirvede

Year 2024, Volume: 40 Issue: 2, 383 - 392, 31.08.2024

Rukiye Nur Kaçmaz , Refika Sultan Doğan

Abstract

Hızlı yayılan ve ölümcül olan cilt kanserine melanom denir. Cilt kanserinin erken
evrelerinde tedavi edilmezse ölüm oranı çok yüksektir ancak erken evrelerinde
doğru bir şekilde tanımlandığında hastaların hayatları kurtarılabilir. Doğru ve hızlı
bir teşhis ile hastanın hayatta kalma şansı artabilir. Bilgisayar destekli bir tanı
destek sisteminin oluşturulmasını gerekir.. Bu çalışmada Dense201, DarkNet19,
EfficientNet melanom sınıflandırması için 3 farklı derin transfer öğrenme modeli
sunmaktadır. Buna ek olarak, transfer öğrenmesinde kullanılan filtre boyutu
açısından ablasyon çalışması yapılmıştır. Filtre boyutunun etkisine bakmak için her
bir modelde farklı sayıda filtre boyutu oluşturulup sonuç alınmıştır. Çalışmada 1792
iyi huylu ve 1464 kötü huylu görüntü içeren ISIC veri seti kullanılmıştır. Bu
çalışmaya göre, DenseNet201, boyutlarına bakılmaksızın farklı filtre boyutlarında
doğru ve güvenilir sonuçlar sağlamıştır. Bu nedenle, cilt lezyonlarının
sınıflandırılmasını içeren çalışmalarda DenseNet201 kullanımının seçilmesi
önerilir.

Keywords

cilt kanseri ablasyon trasnfer öğrenme

References

  • R. L. Siegel, A. N. Giaquinto, and A. Jemal, ‘Cancer statistics, 2024’, CA Cancer J Clin, vol. 74, no. 1, pp. 12–49, Jan. 2024, doi: 10.3322/CAAC.21820.
  • M. P. Purdue et al., ‘Etiologic and other factors predicting nevus-associated cutaneous malignant melanoma’, Cancer Epidemiology Biomarkers and Prevention, vol. 14, no. 8, pp. 2015–2022, Aug. 2005, doi: 10.1158/1055- 9965.EPI-05-0097.
  • N. J. Petrelli et al., ‘Clinical cancer advances 2009: Major research advances in cancer treatment, prevention, and screening -A report from the American Society of Clinical Oncology’, Journal of Clinical Oncology, vol. 27, no. 35, pp. 6052–6069, Dec. 2009, doi: 10.1200/JCO.2009.26.6171.
  • R. L. Siegel Mph, A. N. Giaquinto, | Ahmedin, J. Dvm, and R. L. Siegel, ‘Cancer statistics, 2024’, CA Cancer J Clin, vol. 74, no. 1, pp. 12–49, Jan. 2024, doi: 10.3322/CAAC.21820.
  • F. Morgese et al., ‘Gender Differences and Outcomes in Melanoma Patients’, Oncol Ther, vol. 8, no. 1, p. 103, Jun. 2020, doi: 10.1007/S40487-020-00109-1.
  • L. De Ann, R. I. Vogel, M. A. Weinstock, H. H. Nelson, R. L. Ahmed, and M. Berwick, ‘Association between indoor tanning and melanoma in younger men and women’, JAMA Dermatol, vol. 152, no. 3, p. 268, Mar. 2016, doi: 10.1001/JAMADERMATOL.2015.2938.
  • J. J. Nordlund and A. B. Lerner, ‘On the causes of melanomas.’, Am J Pathol, vol. 89, no. 2, p. 443, 1977, Accessed: Jul. 29, 2024. [Online]. Available: /pmc/articles/PMC2032245/?report=abstract
  • G. P. Guy, Z. Berkowitz, D. M. Holman, and A. M. Hartman, ‘Recent Changes in the Prevalence of and Factors Associated With Frequency of Indoor Tanning Among US Adults’, JAMA Dermatol, vol. 151, no. 11, p. 1256, Nov. 2015, doi: 10.1001/JAMADERMATOL.2015.1568.
  • G. P. Guy, Y. Zhang, D. U. Ekwueme, S. H. Rim, and M. Watson, ‘The potential impact of reducing indoor tanning on melanoma prevention and treatment costs in the United States: An economic analysis’, J Am Acad Dermatol, vol. 76, no. 2, pp. 226–233, Feb. 2017, doi: 10.1016/J.JAAD.2016.09.029.
  • B. Ahmed, M. I. Qadir, and S. Ghafoor, ‘Malignant melanoma: Skin cancer—diagnosis, prevention, and treatment’, Crit Rev Eukaryot Gene Expr, vol. 30, no. 4, pp. 291–297, 2020, doi: 10.1615/CRITREVEUKARYOTGENEEXPR.2020028454.
  • PDQ Cancer Genetics Editorial Board, ‘Genetics of Skin Cancer (PDQ®): Health Professional Version’, PDQ Cancer Information Summaries, 2002, Accessed: Jul. 30, 2024. [Online]. Available: http://www.ncbi.nlm.nih.gov/pubmed/26389333
  • S. R. Jartarkar et al., ‘Artificial intelligence in Dermatopathology’, J Cosmet Dermatol, vol. 22, no. 4, pp. 1163– 1167, Apr. 2023, doi: 10.1111/JOCD.15565.
  • G. H. Dagnaw, M. El Mouhtadi, and M. Mustapha, ‘Skin cancer classification using vision transformers and explainable artificial intelligence’, J Med Artif Intell, vol. 7, no. 0, pp. 14–14, Jun. 2024, doi: 10.21037/JMAI-24-6.
  • B. C. R. S. Furriel et al., ‘Artificial intelligence for skin cancer detection and classification for clinical environment: a systematic review’, Front Med (Lausanne), vol. 10, p. 1305954, Jan. 2023, doi: 10.3389/FMED.2023.1305954/BIBTEX.
  • C. Xin et al., ‘An improved transformer network for skin cancer classification’, Comput Biol Med, vol. 149, Oct. 2022, doi: 10.1016/J.COMPBIOMED.2022.105939.
  • C. Flosdorf, J. Engelker, I. Keller, and N. Mohr, ‘Skin Cancer Detection utilizing Deep Learning: Classification of Skin Lesion Images using a Vision Transformer’, Jul. 2024, Accessed: Jul. 30, 2024. [Online]. Available: https://arxiv.org/abs/2407.18554v1
  • D. Wen et al., ‘Characteristics of publicly available skin cancer image datasets: a systematic review’,
  • Lancet Digit Health, vol. 4, no. 1, pp. e64–e74, Jan. 2022, doi: 10.1016/S2589-7500(21)00252-1.
  • R. A. Mehr and A. Ameri, ‘Skin Cancer Detection Based on Deep Learning’, J Biomed Phys Eng, vol. 12, no. 6, p. 559, Dec. 2022, doi: 10.31661/JBPE.V0I0.2207-1517.
  • A. G. C. Pacheco and R. A. Krohling, ‘Recent advances in deep learning applied to skin cancer detection’, Dec. 2019, Accessed: Jul. 30, 2024. [Online]. Available: https://arxiv.org/abs/1912.03280v1
  • R. Ali, R. C. Hardie, B. N. Narayanan, and S. De Silva, ‘Deep Learning Ensemble Methods for Skin Lesion Analysis towards Melanoma Detection’, Proceedings of the IEEE National Aerospace Electronics Conference, NAECON, vol. 2019-July, pp. 311–316, Jul. 2019, doi: 10.1109/NAECON46414.2019.9058245.
  • M. A. Khan, T. Akram, M. Sharif, S. Kadry, and Y. Nam, ‘Computer Decision Support System for Skin Cancer Localization and Classification’, Computers, Materials & Continua, vol. 68, no. 1, pp. 1041– 1064, Mar. 2021, doi: 10.32604/CMC.2021.016307.
  • K. Thurnhofer-Hemsi and E. Domínguez, ‘A Convolutional Neural Network Framework for Accurate Skin Cancer Detection’, Neural Process Lett, vol. 53, no. 5, pp. 3073–3093, Oct. 2021, doi: 10.1007/S11063-020- 10364-Y/TABLES/9.
  • H. Hussein, A. Magdy, R. F. Abdel-Kader, and K. A. El Salam, ‘Binary Classification of Skin Cancer Images Using Pre-trained Networks with I-GWO’, Inteligencia Artificial, vol. 27, no. 74, pp. 102–116, Dec. 2024, doi: 10.4114/INTARTIF.VOL27ISS74PP102-116.
  • M. Naqvi, S. Q. Gilani, T. Syed, O. Marques, and H. C. Kim, ‘Skin Cancer Detection Using Deep Learning—A Review’, Diagnostics 2023, Vol. 13, Page 1911, vol. 13, no. 11, p. 1911, May 2023, doi: 10.3390/DIAGNOSTICS13111911.
  • S. Benyahia, B. Meftah, and O. Lézoray, ‘Multi-features extraction based on deep learning for skin lesion classification’, Tissue Cell, vol. 74, p. 101701, Feb. 2022, doi: 10.1016/J.TICE.2021.101701.
  • S. Alzahrani, B. Al-Bander, and W. Al-Nuaimy, ‘A Comprehensive Evaluation and Benchmarking of Convolutional Neural Networks for Melanoma Diagnosis’, Cancers 2021, Vol. 13, Page 4494, vol. 13, no. 17, p. 4494, Sep. 2021, doi: 10.3390/CANCERS13174494.
  • D. ; Popescu et al., ‘New Trends in Melanoma Detection Using Neural Networks: A Systematic Review’,
  • Sensors 2022, Vol. 22, Page 496, vol. 22, no. 2, p. 496, Jan. 2022, doi: 10.3390/S22020496.
  • ‘Transfer Learning - MATLAB & Simulink’. Accessed: Jul. 31, 2024. [Online]. Available:
  • https://www.mathworks.com/discovery/transfer-learning.html
  • J. Redmon and A. Farhadi, ‘YOLO9000: Better, faster, stronger’, Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, vol. 2017-January, pp. 6517–6525, Nov. 2017, doi: 10.1109/CVPR.2017.690.
  • M. Tan and Q. V Le, ‘EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks’, May 24, 2019, PMLR. Accessed: Jul. 30, 2024. [Online]. Available: https://proceedings.mlr.press/v97/tan19a.html
  • G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, ‘Densely Connected Convolutional Networks’, Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, vol. 2017-January, pp. 2261–2269, Aug. 2016, doi: 10.1109/CVPR.2017.243.
  • A. F. Agarap, ‘Deep Learning using Rectified Linear Units (ReLU)’, Mar. 2018, Accessed: Jul. 31, 2024.
  • [Online]. Available: http://arxiv.org/abs/1803.08375
  • K. Tang, W. Liu, Y. Zhang, and X. Chen, ‘Acceleration of stochastic gradient descent with momentum by averaging: finite-sample rates and asymptotic normality’, May 2023, Accessed: Jul. 31, 2024. [Online]. Available: https://arxiv.org/abs/2305.17665v2
  • A. Biswas et al., ‘Generative Adversarial Networks for Data Augmentation’, Data Driven Approaches on Medical Imaging, pp. 159–177, Jun. 2023, doi: 10.1007/978-3-031-47772-0_8.
  • A. Antoniou, A. Storkey, and H. Edwards, ‘Data Augmentation Generative Adversarial Networks’, J Phys A Math Theor, vol. 44, no. 44, pp. 1–13, Nov. 2017, Accessed: Jul. 31, 2024. [Online]. Available: https://arxiv.org/abs/1711.04340v3

Year 2024, Volume: 40 Issue: 2, 383 - 392, 31.08.2024

Rukiye Nur Kaçmaz , Refika Sultan Doğan

Abstract

References

  • R. L. Siegel, A. N. Giaquinto, and A. Jemal, ‘Cancer statistics, 2024’, CA Cancer J Clin, vol. 74, no. 1, pp. 12–49, Jan. 2024, doi: 10.3322/CAAC.21820.
  • M. P. Purdue et al., ‘Etiologic and other factors predicting nevus-associated cutaneous malignant melanoma’, Cancer Epidemiology Biomarkers and Prevention, vol. 14, no. 8, pp. 2015–2022, Aug. 2005, doi: 10.1158/1055- 9965.EPI-05-0097.
  • N. J. Petrelli et al., ‘Clinical cancer advances 2009: Major research advances in cancer treatment, prevention, and screening -A report from the American Society of Clinical Oncology’, Journal of Clinical Oncology, vol. 27, no. 35, pp. 6052–6069, Dec. 2009, doi: 10.1200/JCO.2009.26.6171.
  • R. L. Siegel Mph, A. N. Giaquinto, | Ahmedin, J. Dvm, and R. L. Siegel, ‘Cancer statistics, 2024’, CA Cancer J Clin, vol. 74, no. 1, pp. 12–49, Jan. 2024, doi: 10.3322/CAAC.21820.
  • F. Morgese et al., ‘Gender Differences and Outcomes in Melanoma Patients’, Oncol Ther, vol. 8, no. 1, p. 103, Jun. 2020, doi: 10.1007/S40487-020-00109-1.
  • L. De Ann, R. I. Vogel, M. A. Weinstock, H. H. Nelson, R. L. Ahmed, and M. Berwick, ‘Association between indoor tanning and melanoma in younger men and women’, JAMA Dermatol, vol. 152, no. 3, p. 268, Mar. 2016, doi: 10.1001/JAMADERMATOL.2015.2938.
  • J. J. Nordlund and A. B. Lerner, ‘On the causes of melanomas.’, Am J Pathol, vol. 89, no. 2, p. 443, 1977, Accessed: Jul. 29, 2024. [Online]. Available: /pmc/articles/PMC2032245/?report=abstract
  • G. P. Guy, Z. Berkowitz, D. M. Holman, and A. M. Hartman, ‘Recent Changes in the Prevalence of and Factors Associated With Frequency of Indoor Tanning Among US Adults’, JAMA Dermatol, vol. 151, no. 11, p. 1256, Nov. 2015, doi: 10.1001/JAMADERMATOL.2015.1568.
  • G. P. Guy, Y. Zhang, D. U. Ekwueme, S. H. Rim, and M. Watson, ‘The potential impact of reducing indoor tanning on melanoma prevention and treatment costs in the United States: An economic analysis’, J Am Acad Dermatol, vol. 76, no. 2, pp. 226–233, Feb. 2017, doi: 10.1016/J.JAAD.2016.09.029.
  • B. Ahmed, M. I. Qadir, and S. Ghafoor, ‘Malignant melanoma: Skin cancer—diagnosis, prevention, and treatment’, Crit Rev Eukaryot Gene Expr, vol. 30, no. 4, pp. 291–297, 2020, doi: 10.1615/CRITREVEUKARYOTGENEEXPR.2020028454.
  • PDQ Cancer Genetics Editorial Board, ‘Genetics of Skin Cancer (PDQ®): Health Professional Version’, PDQ Cancer Information Summaries, 2002, Accessed: Jul. 30, 2024. [Online]. Available: http://www.ncbi.nlm.nih.gov/pubmed/26389333
  • S. R. Jartarkar et al., ‘Artificial intelligence in Dermatopathology’, J Cosmet Dermatol, vol. 22, no. 4, pp. 1163– 1167, Apr. 2023, doi: 10.1111/JOCD.15565.
  • G. H. Dagnaw, M. El Mouhtadi, and M. Mustapha, ‘Skin cancer classification using vision transformers and explainable artificial intelligence’, J Med Artif Intell, vol. 7, no. 0, pp. 14–14, Jun. 2024, doi: 10.21037/JMAI-24-6.
  • B. C. R. S. Furriel et al., ‘Artificial intelligence for skin cancer detection and classification for clinical environment: a systematic review’, Front Med (Lausanne), vol. 10, p. 1305954, Jan. 2023, doi: 10.3389/FMED.2023.1305954/BIBTEX.
  • C. Xin et al., ‘An improved transformer network for skin cancer classification’, Comput Biol Med, vol. 149, Oct. 2022, doi: 10.1016/J.COMPBIOMED.2022.105939.
  • C. Flosdorf, J. Engelker, I. Keller, and N. Mohr, ‘Skin Cancer Detection utilizing Deep Learning: Classification of Skin Lesion Images using a Vision Transformer’, Jul. 2024, Accessed: Jul. 30, 2024. [Online]. Available: https://arxiv.org/abs/2407.18554v1
  • D. Wen et al., ‘Characteristics of publicly available skin cancer image datasets: a systematic review’,
  • Lancet Digit Health, vol. 4, no. 1, pp. e64–e74, Jan. 2022, doi: 10.1016/S2589-7500(21)00252-1.
  • R. A. Mehr and A. Ameri, ‘Skin Cancer Detection Based on Deep Learning’, J Biomed Phys Eng, vol. 12, no. 6, p. 559, Dec. 2022, doi: 10.31661/JBPE.V0I0.2207-1517.
  • A. G. C. Pacheco and R. A. Krohling, ‘Recent advances in deep learning applied to skin cancer detection’, Dec. 2019, Accessed: Jul. 30, 2024. [Online]. Available: https://arxiv.org/abs/1912.03280v1
  • R. Ali, R. C. Hardie, B. N. Narayanan, and S. De Silva, ‘Deep Learning Ensemble Methods for Skin Lesion Analysis towards Melanoma Detection’, Proceedings of the IEEE National Aerospace Electronics Conference, NAECON, vol. 2019-July, pp. 311–316, Jul. 2019, doi: 10.1109/NAECON46414.2019.9058245.
  • M. A. Khan, T. Akram, M. Sharif, S. Kadry, and Y. Nam, ‘Computer Decision Support System for Skin Cancer Localization and Classification’, Computers, Materials & Continua, vol. 68, no. 1, pp. 1041– 1064, Mar. 2021, doi: 10.32604/CMC.2021.016307.
  • K. Thurnhofer-Hemsi and E. Domínguez, ‘A Convolutional Neural Network Framework for Accurate Skin Cancer Detection’, Neural Process Lett, vol. 53, no. 5, pp. 3073–3093, Oct. 2021, doi: 10.1007/S11063-020- 10364-Y/TABLES/9.
  • H. Hussein, A. Magdy, R. F. Abdel-Kader, and K. A. El Salam, ‘Binary Classification of Skin Cancer Images Using Pre-trained Networks with I-GWO’, Inteligencia Artificial, vol. 27, no. 74, pp. 102–116, Dec. 2024, doi: 10.4114/INTARTIF.VOL27ISS74PP102-116.
  • M. Naqvi, S. Q. Gilani, T. Syed, O. Marques, and H. C. Kim, ‘Skin Cancer Detection Using Deep Learning—A Review’, Diagnostics 2023, Vol. 13, Page 1911, vol. 13, no. 11, p. 1911, May 2023, doi: 10.3390/DIAGNOSTICS13111911.
  • S. Benyahia, B. Meftah, and O. Lézoray, ‘Multi-features extraction based on deep learning for skin lesion classification’, Tissue Cell, vol. 74, p. 101701, Feb. 2022, doi: 10.1016/J.TICE.2021.101701.
  • S. Alzahrani, B. Al-Bander, and W. Al-Nuaimy, ‘A Comprehensive Evaluation and Benchmarking of Convolutional Neural Networks for Melanoma Diagnosis’, Cancers 2021, Vol. 13, Page 4494, vol. 13, no. 17, p. 4494, Sep. 2021, doi: 10.3390/CANCERS13174494.
  • D. ; Popescu et al., ‘New Trends in Melanoma Detection Using Neural Networks: A Systematic Review’,
  • Sensors 2022, Vol. 22, Page 496, vol. 22, no. 2, p. 496, Jan. 2022, doi: 10.3390/S22020496.
  • ‘Transfer Learning - MATLAB & Simulink’. Accessed: Jul. 31, 2024. [Online]. Available:
  • https://www.mathworks.com/discovery/transfer-learning.html
  • J. Redmon and A. Farhadi, ‘YOLO9000: Better, faster, stronger’, Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, vol. 2017-January, pp. 6517–6525, Nov. 2017, doi: 10.1109/CVPR.2017.690.
  • M. Tan and Q. V Le, ‘EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks’, May 24, 2019, PMLR. Accessed: Jul. 30, 2024. [Online]. Available: https://proceedings.mlr.press/v97/tan19a.html
  • G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, ‘Densely Connected Convolutional Networks’, Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, vol. 2017-January, pp. 2261–2269, Aug. 2016, doi: 10.1109/CVPR.2017.243.
  • A. F. Agarap, ‘Deep Learning using Rectified Linear Units (ReLU)’, Mar. 2018, Accessed: Jul. 31, 2024.
  • [Online]. Available: http://arxiv.org/abs/1803.08375
  • K. Tang, W. Liu, Y. Zhang, and X. Chen, ‘Acceleration of stochastic gradient descent with momentum by averaging: finite-sample rates and asymptotic normality’, May 2023, Accessed: Jul. 31, 2024. [Online]. Available: https://arxiv.org/abs/2305.17665v2
  • A. Biswas et al., ‘Generative Adversarial Networks for Data Augmentation’, Data Driven Approaches on Medical Imaging, pp. 159–177, Jun. 2023, doi: 10.1007/978-3-031-47772-0_8.
  • A. Antoniou, A. Storkey, and H. Edwards, ‘Data Augmentation Generative Adversarial Networks’, J Phys A Math Theor, vol. 44, no. 44, pp. 1–13, Nov. 2017, Accessed: Jul. 31, 2024. [Online]. Available: https://arxiv.org/abs/1711.04340v3
There are 39 citations in total.

Details

Primary Language Turkish
Subjects Image Processing, Deep Learning
Journal Section Article
Authors

Rukiye Nur Kaçmaz

Refika Sultan Doğan

Publication Date August 31, 2024
Submission Date July 31, 2024
Acceptance Date August 26, 2024
Published in Issue Year 2024 Volume: 40 Issue: 2

Cite

APA Kaçmaz, R. N., & Doğan, R. S. (2024). Dermatolojik Görüntü Analizi için Derin Öğrenme Modellerinin Karşılaştırılması: EfficientNet Zirvede. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 40(2), 383-392.
AMA Kaçmaz RN, Doğan RS. Dermatolojik Görüntü Analizi için Derin Öğrenme Modellerinin Karşılaştırılması: EfficientNet Zirvede. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi. August 2024;40(2):383-392.
Chicago Kaçmaz, Rukiye Nur, and Refika Sultan Doğan. “Dermatolojik Görüntü Analizi için Derin Öğrenme Modellerinin Karşılaştırılması: EfficientNet Zirvede”. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 40, no. 2 (August 2024): 383-92.
EndNote Kaçmaz RN, Doğan RS (August 1, 2024) Dermatolojik Görüntü Analizi için Derin Öğrenme Modellerinin Karşılaştırılması: EfficientNet Zirvede. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 40 2 383–392.
IEEE R. N. Kaçmaz and R. S. Doğan, “Dermatolojik Görüntü Analizi için Derin Öğrenme Modellerinin Karşılaştırılması: EfficientNet Zirvede”, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, vol. 40, no. 2, pp. 383–392, 2024.
ISNAD Kaçmaz, Rukiye Nur - Doğan, Refika Sultan. “Dermatolojik Görüntü Analizi için Derin Öğrenme Modellerinin Karşılaştırılması: EfficientNet Zirvede”. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 40/2 (August 2024), 383-392.
JAMA Kaçmaz RN, Doğan RS. Dermatolojik Görüntü Analizi için Derin Öğrenme Modellerinin Karşılaştırılması: EfficientNet Zirvede. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi. 2024;40:383–392.
MLA Kaçmaz, Rukiye Nur and Refika Sultan Doğan. “Dermatolojik Görüntü Analizi için Derin Öğrenme Modellerinin Karşılaştırılması: EfficientNet Zirvede”. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, vol. 40, no. 2, 2024, pp. 383-92.
Vancouver Kaçmaz RN, Doğan RS. Dermatolojik Görüntü Analizi için Derin Öğrenme Modellerinin Karşılaştırılması: EfficientNet Zirvede. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi. 2024;40(2):383-92.
 Download Cover Image

✯ Etik kurul izni gerektiren, tüm bilim dallarında yapılan araştırmalar için etik kurul onayı alınmış olmalı, bu onay makalede belirtilmeli ve belgelendirilmelidir.
✯ Etik kurul izni gerektiren araştırmalarda, izinle ilgili bilgilere (kurul adı, tarih ve sayı no) yöntem bölümünde, ayrıca makalenin ilk/son sayfalarından birinde; olgu sunumlarında, bilgilendirilmiş gönüllü olur/onam formunun imzalatıldığına dair bilgiye makalede yer verilmelidir.
✯ Dergi web sayfasında, makalelerde Araştırma ve Yayın Etiğine uyulduğuna dair ifadeye yer verilmelidir.
✯ Dergi web sayfasında, hakem, yazar ve editör için ayrı başlıklar altında etik kurallarla ilgili bilgi verilmelidir.
✯ Dergide ve/veya web sayfasında, ulusal ve uluslararası standartlara atıf yaparak, dergide ve/veya web sayfasında etik ilkeler ayrı başlık altında belirtilmelidir. Örneğin; dergilere gönderilen bilimsel yazılarda, ICMJE (International Committee of Medical Journal Editors) tavsiyeleri ile COPE (Committee on Publication Ethics)’un Editör ve Yazarlar için Uluslararası Standartları dikkate alınmalıdır.
✯ Kullanılan fikir ve sanat eserleri için telif hakları düzenlemelerine riayet edilmesi gerekmektedir.