Cilt Lezyonlarının Sınıflandırılmasında Derin Öğrenme Tabanlı Bir Yöntem

Volkan Göreke

doi:10.46810/tdfd.797683

Cilt Lezyonlarının Sınıflandırılmasında Derin Öğrenme Tabanlı Bir Yöntem

Abstract

Cilt kanseri kötü huylu tümörlerin kontrolsüz çoğalması ile başlar. Dünya çapında sık karşılaşılan bir kanser türüdür. Uzman hekimler tarafından çıplak gözle incelemesi ve teşhis konulması güçtür. Bu yüzden bilgisayar destekli teşhis sistemleri hekimlere tanı koymada yardımcı olabilir. Bu sistemler günümüzde yapay zekanın bir türü olan derin sinir ağlarını yaygın olarak kullanır. Pek çok derin sinir ağı içeren çalışmada veri girişi olarak medikal görüntüler kullanılır. Ağ mimarisine bağlı olarak bu sistemler öznitelikleri kendi katmanlarında çıkarırlar. Bu çalışmada VGG16 ön eğitimli derin sinir ağı kullanılarak ilk önce ağ katmanlarından görüntülere ilişkin öznitelikler elde edilmiştir. Daha sonra yüksek miktarda veri içeren bu özniteliklerin boyutu azaltılmıştır. Böylece sınıflandırmada en iyi başarımı sağlayacak öznitelikler elde edilmiştir. Veri artırma algoritması kullanılarak elde edilen nümerik veri artırılmış ve CNN tür derin sinir ağında %96 sınıflandırma doğruluğu ve %100 AUC başarımı elde edilmiştir.

Keywords

References

[1] Siegel RL, Miller KD, Jemal A. Cancer statistics, 2019. CA Cancer Journal for Clinicians. 2019;69(1):7–34.
[2] Jones OT, Jurascheck LC, Van Melle MA, Hickman S, Burrows NP, Hall PN, et al. Dermoscopy for melanoma detection and triage in primary care: A systematic review. BMJ Open. 2019;9.
[3] Codella NCF, Gutman D, Celebi ME, Helba B, Marchetti MA, Dusza SW, 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]. In: Internation Symposium Biomedecal Imaging. Washington, D.C 2018-April:p.168–172.
[4] Matsunaga K, Hamada A, Minagawa A, Koga H. Image Classification of Melanoma, Nevus and Seborrheic Keratosis by Deep Neural Network Ensemble. 2017;2–5. http://arxiv.org/abs/1703.03108
[5] Guo S, Yang Z. Multi-Channel-ResNet: An integration framework towards skin lesion analysis. Informatics in Medicine Unlocked. 2018;12:67–74.
[6] Chen S, Wang Z, Shi J, Liu B, Yu N. A multi-task framework with feature passing module for skin lesion classification and segmentation. In: 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI). Washington, D.C. April 4-7, 2018.p.1126-1129.
[7] Menegola A, Tavares J, Fornaciali M, Li LT, Avila S, Valle E. RECOD Titans at ISIC Challenge 2017. 2017;1–5. Available from: http://arxiv.org/abs/1703.04819.
[8] Yang X, Li H, Wang L, Yeo SY, Su Y, Zeng Z. Skin Lesion Analysis by Multi-Target Deep Neural Networks. In: 2018 40 th Annual International Conference IEEE Eng Med Biol Soc EMBS. Honolulu, HI, USA 2018 July:p.1263–1266.

[9] DeVries T, Ramachandram D. Skin Lesion Classification Using Deep Multi-scale Convolutional Neural Networks. 2017; http://arxiv.org/abs/1703.01402.
[10] González-Díaz I. DermaKNet: Incorporating the Knowledge of Dermatologists to Convolutional Neural Networks for Skin Lesion Diagnosis. IEEE J Biomed Heal Informatics. 2019;23[2]:547–59.
[11] Tang P, Liang Q, Yan X, Xiang S, Zhang D. GP-CNN-DTEL: Global-Part CNN Model with Data-Transformed Ensemble Learning for Skin Lesion Classification. IEEE J Biomed Heal Informatics. 2020:1–1.
[12] Yang X, Zeng Z, Yeo SY, Tan C, Tey HL, Su Y. A Novel Multi-task Deep Learning Model for Skin Lesion Segmentation and Classification. https://arxiv.org/abs/1703.01025 2017;1–4.
13] Yadav SS, Jadhav SM. Deep convolutional neural network based medical image classification for disease diagnosis. Journal of Big Data. 2019;6(113).
[14] Litjens G, Kooi T, Bejnordi BE, Setio AAA, Ciompi F, Ghafoorian M, et al. A survey on deep learning in medical image analysis. Medical Image Analysis journal. 2017;42 :60–88.
[15] Abraham B, Nair MS. ScienceDirect Computer-aided detection of COVID-19 from X-ray images using multi-CNN and Bayesnet classifier. Biocybernetics and Biomedical Engineering. 2020;1–10.
[16] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. 3rd Internation Conference Learn Represent ICLR 2015 - San Diego, CA, 2015;1–14.
[17] Chollet F. Deep Learning with Phyton. Manning. 2018.
[18] Janecek A, Gansterer WNW, Demel M, Ecker G. On the Relationship Between Feature Selection and Classification Accuracy. Fsdm. 2008:90–105.
[19] Guda V, Golla M, Datta A. Performance Analysis of Learning Models on Medical Documents. IJIRT 2018;4(12):822–828.
[20] Subho RH, Chowdhhury R,Chaki D,Islam S,Rahman D.A Univariate Feature Selection Approach for Finding Key Factors of Restaurant Business. In: 2019 IEEE Region 10 Symposium(TENSYMP). India, Kolkata: 2019;p.605-610.
[21] Rashid KM, Louis J. Times-series data augmentation and deep learning for construction equipment activity recognition. Advanced Engineering Informatics. 2019;42:100944.
[22] Lashgari E, Liang D, Maoz U. Data augmentation for deep-learning-based electroencephalography. Journal of Neuroscience Methods journal. 2020;346:108885.
[23] Basic Data Augmentation & Feature Reduction [Internet]. Available from: https://www.kaggle.com/bigironsphere/basic-data-augmentation-feature-reduction.
[24] Wong SC, Gatt A, Stamatescu V, McDonnell MD. Understanding Data Augmentation for Classification: When to Warp? 2016 2016 International Conference on Digital Image Computing: Techniques and Applications (DICTA). Gold Coast, QLD, Australia;2016.
[25] Alakus TB, Turkoglu I. Comparison of deep learning approaches to predict COVID-19 infection. Chaos, Solitons and Fractals. 2020;140:110120.
[26] Jauro F, Chiroma H, Gital AY, Almutairi M, Abdulhamid SM, Abawajy JH. Deep learning architectures in emerging cloud computing architectures: Recent development, challenges and next research trend. Applied Soft Computing Journal. 2020;96:106582.
[27] Mumtaz W, Qayyum A. A deep learning framework for automatic diagnosis of unipolar depression. International Journal of Medical Informatics. 2019;132(103983).
[28] Hajian-Tilaki K. Receiver operating characteristic (ROC) curve analysis for medical diagnostic test evaluation. Caspian Journal of Internal Medicine 2013;4(2):627–35.
[29] Safari S, Baratloo A, Elfil M, Negida A. Evidence Based Emergency Medicine; Part 5 Receiver Operating Curve and Area under the Curve. Emergency 2016;4(2):111–3.
[30] Roger P. Evaluating Information: Validity, Reliability, Accuracy, Triangulation. In: Research Methods in Politics;SAGE Press;2011;p.79-99
[31] Dougherty E, Hua J, Sima C. Performance of Feature Selection Methods. Curr Genomics. 2009;10(6):365–74.
[32] Dan Lo CT, Ordóñez P, Cepeda C. Feature selection and improving classification performance for malware detection. In: 2016 IEEE International Conference Big Data. Atlanta, GA, USA 2016;p.560–566.

Details

Primary Language

Turkish

Subjects

Engineering

Journal Section

Research Article

Authors

Volkan Göreke ^*
0000-0002-2418-8373
Türkiye

Publication Date

June 25, 2021

Submission Date

September 21, 2020

Acceptance Date

January 5, 2021

Published in Issue

Year 2021 Volume: 10 Number: 1

DOI

https://doi.org/10.46810/tdfd.797683

IZ

https://izlik.org/JA37JH76CP

Cite

RIS / Bibtex

APA

Göreke, V. (2021). Cilt Lezyonlarının Sınıflandırılmasında Derin Öğrenme Tabanlı Bir Yöntem. Turkish Journal of Nature and Science, 10(1), 30-36. https://doi.org/10.46810/tdfd.797683

AMA

1.Göreke V. Cilt Lezyonlarının Sınıflandırılmasında Derin Öğrenme Tabanlı Bir Yöntem. TJNS. 2021;10(1):30-36. doi:10.46810/tdfd.797683

Chicago

Göreke, Volkan. 2021. “Cilt Lezyonlarının Sınıflandırılmasında Derin Öğrenme Tabanlı Bir Yöntem”. Turkish Journal of Nature and Science 10 (1): 30-36. https://doi.org/10.46810/tdfd.797683.

EndNote

Göreke V (June 1, 2021) Cilt Lezyonlarının Sınıflandırılmasında Derin Öğrenme Tabanlı Bir Yöntem. Turkish Journal of Nature and Science 10 1 30–36.

IEEE

[1]V. Göreke, “Cilt Lezyonlarının Sınıflandırılmasında Derin Öğrenme Tabanlı Bir Yöntem”, TJNS, vol. 10, no. 1, pp. 30–36, June 2021, doi: 10.46810/tdfd.797683.

ISNAD

Göreke, Volkan. “Cilt Lezyonlarının Sınıflandırılmasında Derin Öğrenme Tabanlı Bir Yöntem”. Turkish Journal of Nature and Science 10/1 (June 1, 2021): 30-36. https://doi.org/10.46810/tdfd.797683.

JAMA

1.Göreke V. Cilt Lezyonlarının Sınıflandırılmasında Derin Öğrenme Tabanlı Bir Yöntem. TJNS. 2021;10:30–36.

MLA

Göreke, Volkan. “Cilt Lezyonlarının Sınıflandırılmasında Derin Öğrenme Tabanlı Bir Yöntem”. Turkish Journal of Nature and Science, vol. 10, no. 1, June 2021, pp. 30-36, doi:10.46810/tdfd.797683.

Vancouver

1.Volkan Göreke. Cilt Lezyonlarının Sınıflandırılmasında Derin Öğrenme Tabanlı Bir Yöntem. TJNS. 2021 Jun. 1;10(1):30-6. doi:10.46810/tdfd.797683

Cited By

Classification of skin cancer using VGGNet model structures

Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi

https://doi.org/10.17714/gumusfenbil.1069894

Ön Eğitimli Evrişimsel Sinir Ağı Modellerinde Öznitelik Seçim Algoritmasını Kullanarak Cilt Lezyon Görüntülerinin Sınıflandırılması

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

https://doi.org/10.35234/fumbd.1077322