Transfer Öğrenme ve Çekişmeli Üretici Ağ Yaklaşımlarını Kullanarak Cilt Lezyonu Sınıflandırma Doğruluğunu İyileştirilmesi

Yıl 2020, Cilt: 32 Sayı: 2, 491 - 498, 24.09.2020

Kazım Fırıldak , Muhammed Fatih Talu , Gaffari Çelik

https://doi.org/10.35234/fumbd.629984

Cited By: 1

Öz

Bu çalışmada, en yaygın kanser türlerinden biri olan cilt kanseri imgelerinin sınıflandırılmasına odaklanılmıştır. Yapılan araştırma sonucunda cilt kanseriyle ilgili literatürdeki en kapsamlı etiketlenmiş veri kümesinin HAM10000 olduğu görülmüştür. 7 farklı lezyon türüne ait 10.000’den fazla etiketli imge içeren bu veri kümesinin klasik Evrişimsel Sinir Ağlarıyla (ESA) sınıflandırma doğruluğunun arttırılması amaçlanmaktadır. Bu makalede, mevcut iki farklı tekniğin (transfer öğrenme ve imge üretimi) lezyon sınıflandırma doğruluğuna etkisi incelenmiştir. Birinci teknik, cilt lezyonu veri kümesini sınıflandırmak için tasarlanan yeni bir ESA’ya, ImageNet veri kümesiyle eğitilmiş AlexNET ağındaki parametrelerin kısmi ve tam transfer yoluyla aktarılmasıdır. İkinci teknik, gerçek lezyon imgelerinden imge üretilmesiyle veri kümesinin genişletilmesidir. Bu genişletme işleminde klasik üretme ve Çekişmeli Üretici Ağ (ÇÜA) tekniklerinin başarımları değerlendirilmiştir. Yapılan deneysel çalışmalar neticesinde, kısmi parametre transferi ve Derin Evrişimsel Çekişmeli Üretici Ağ (DEÇÜA) temelli imge üretim tekniği kullanılarak veri kümesinin genişletilmesi yaklaşımlarının birlikte kullanılması en yüksek lezyon sınıflandırma doğruluğunu (%93) vermiştir. Yöntemler, literatürdeki güncel yöntemle kıyaslanarak toplam doğruluk başarımındaki üstünlüğü gösterilmiştir.

Anahtar Kelimeler

Çekişmeli Üretici Ağlar, Cilt Kanserinin Tanı ve Tespiti, Çekişmeli üretici Ağlar ile Veri Üretimi, Evrişimsel Sinir Ağları

Kaynakça

• M. Frid-Adar, I. Diamant, E. Klang, M. Amitai, J. Goldberger, and H. Greenspan. GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification. Neurocomputing, vol. 321, pp. 321–331, 2018.J. Shijie, W. Ping, J. Peiyi, and H. Siping. Research on data augmentation for image classification based on convolution neural networks. Proc. - 2017 Chinese Autom. Congr. CAC 2017, vol. 2017-Janua, no. 201602118, pp. 4165–4170, 2017.I. J. Goodfellow et al. Generative Adversarial Networks. pp. 1–9, 2014.P. Isola, J. Y. Zhu, T. Zhou, and A. A. Efros. Image-to-image translation with conditional adversarial networks. Proc. - 30th IEEE Conf. Comput. Vis. Pattern Recognition, CVPR 2017, vol. 2017-Janua, pp. 5967–5976, 2017.R. A. Yeh, C. Chen, T. Yian Lim, A. G. Schwing, M. Hasegawa-Johnson, and M. N. Do. Semantic image inpainting with deep generative models. Proc. - 30th IEEE Conf. Comput. Vis. Pattern Recognition, CVPR 2017, vol. 2017-Janua, pp. 6882–6890, 2017.D. Bisla, A. Choromanska, J. A. Stein, D. Polsky, and R. Berman. Skin Lesion Segmentation and Classification with Deep Learning System. 2019.C. Han et al. GAN-based synthetic brain MR image generation. Proc. - Int. Symp. Biomed. Imaging, vol. 2018-April, no. Isbi, pp. 734–738, 2018.L. Bi, D. Feng, and J. Kim. Improving Automatic Skin Lesion Segmentation using Adversarial Learning based Data Augmentation. pp. 1–6, 2018.Y. Xue, T. Xu, H. Zhang, L. R. Long, and X. Huang. SegAN: Adversarial Network with Multi-scale L 1 Loss for Medical Image Segmentation. Neuroinformatics, vol. 16, no. 3–4, pp. 383–392, 2018.R. L. Siegel, K. D. Miller, and A. Jemal. Cancer statistics, 2019. CA. Cancer J. Clin., vol. 69, no. 1, pp. 7–34, 2019.M. E. Vestergaard, P. Macaskill, P. E. Holt, and S. W. Menzies. Dermoscopy compared with naked eye examination for the diagnosis of primary melanoma: A meta-analysis of studies performed in a clinical setting. Br. J. Dermatol., vol. 159, no. 3, pp. 669–676, 2008.N. C. F. Codella et al. Skin lesion analysis toward melanoma detection: A challenge at the 2017 International symposium on biomedical imaging (ISBI), hosted by the international skin imaging collaboration (ISIC). Proc. - Int. Symp. Biomed. Imaging, vol. 2018-April, pp. 168–172, 2018.T. J. Brinker et al. Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task. Eur. J. Cancer, vol. 113, pp. 47–54, 2019.M. A. Khan, T. Saba, and M. Sharif. Multi-Model Deep Neural Network based Features Extraction and Optimal Selection Approach for Skin Lesion Classification. 2019 Int. Conf. Comput. Inf. Sci., pp. 1–7, 2019.P. Tschandl, C. Rosendahl, and H. Kittler. Data descriptor: The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Sci. Data, vol. 5, pp. 1–9, 2018.A. Krizhevsky and G. E. Hinton. ImageNet Classification with Deep Convolutional Neural Networks. Adv. Neural Inf. Process. Syst. vol. 1907–1105, pp. 1–9, 2012.M. E. Akçay, Samet; Kundegorski, M. Devereux, and T. P. Breckon. Transfer Learning Using Convolutional Neural Networks for Object Classification Within X-Ray Baggage Security Imagery. in Image Processing (ICIP), 2016.Image.net. Erişim Tarihi: 15/05/2019.J. Yosinski, J. Clune, Y. Bengio, and H. Lipson. How transferable are features in deep neural networks ? Adv. Neural Inf. Process. Syst., vol. 27, 2014.J. Langr and V. Bok, GANs in Action, MEAP. Shelter Island, NY / USA: Manning Publications, 2018.I. Goodfellow. NIPS 2016 Tutorial: Generative Adversarial Networks. 2016.A. Radford, L. Metz, and S. Chintala. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. pp. 1–16, 2015.D. P. Kingma and J. Ba. Adam: A Method for Stochastic Optimization. pp. 1–15, 2014.