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

Burak Tasci

doi:10.35234/fumbd.1077322

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

Öz

Dünya Sağlık Örgütü tarafından belirtildiği gibi, cilt kanseri oluşumu son yıllarda artmaktadır. Her yıl dünya çapında 2 ila 3 milyon arasında melanom dışı cilt kanseri ve en az 132.000 kötü huylu cilt kanseri ortaya çıkmaktadır. Deri lezyonlarının uygun otomatik teşhisi ve melanom tanıma, melanomların erken tespitini büyük ölçüde iyileştirebilir. Cilt kanserinde erken teşhis hastaların doğru tanı ve tedaviye sahip olmasını sağlar. Bu çalışmada, cilt lezyonu görüntülerden deri kanserinin kötü huylu olup olmadığını teşhis etmek için kübik tip Destek Vektör Makinesi (DVM) sınıflandırıcısı ve ön eğitimli Evrişimsel Sinir Ağı (ESA) tabanlı AlexNet ve ResNET50 derin mimarileri kullanılarak derin öznitelikler çıkartıldı ve ardından birleştirildi. Daha sonra, ReliefF algoritması ile bu derin özniteliklerden etkili ve ayırt edici öznitelikler seçildi. Birleştirilen derin özniteliklerine farklı sınıflandırıcı algoritmaları uygulandı. Kübik tip DVM en iyi sonucu verdiği için kullanılmıştır. Önerilen yöntemde sınıflandırma doğruluğu Kaggle veri seti için %92.41, HAM10000 veri seti için %85.17’dir. Deneysel çalışmalarda, önerilen modelin doğruluk skoru diğer çalışmalardan daha başarılı olduğu gözlemlenmiştir.

Anahtar Kelimeler

Kaynakça

Sendur, N., “Nonmelanoma skin cancer epidemiology and prevention”, Turk. Klin. J. Int. Med. Sci, 1, pp. 80–84 (2005).
2. Tarver, T., “Cancer facts & figures 2012. American cancer society (ACS) Atlanta, GA: American Cancer Society, 2012. 66 p., pdf. Available from” (2012).
3. Yurtseven, E., Ulus, T., Vehid, S., Köksal, S., Bosat, M., and Akkoyun, K., “Assessment of knowledge, behaviour and sun protection practices among health services vocational school students”, Int. J. Environ. Res. Public Health, 9(7), pp. 2378–2385 (2012).
4. Kittler, H., Pehamberger, H., Wolff, K., and Binder, M., “Diagnostic accuracy of dermoscopy”, Lancet Oncol., 3(3), pp. 159–165 (2002).
5. Codella, N., Cai, J., Abedini, M., Garnavi, R., Halpern, A., and Smith, J. R., “Deep learning, sparse coding, and SVM for melanoma recognition in dermoscopy images”, Int. Work. Mach. Learn. Med. Imaging, Springer, pp. 118–126 (2015).
6. Akram, T., Lodhi, H. M. J., Naqvi, S. R., Naeem, S., Alhaisoni, M., Ali, M., Haider, S. A., and Qadri, N. N., “A multilevel features selection framework for skin lesion classification”, Human-centric Comput. Inf. Sci., 10(1), pp. 1–26 (2020).
7. Yap, J., Yolland, W., and Tschandl, P., “Multimodal skin lesion classification using deep learning”, Exp. Dermatol., 27(11), pp. 1261–1267 (2018).
8. GÖREKE, V., “Cilt Kanseri Lezyonlarının Sınıflandırılmasında Derin Öğrenme Sınıflandırıcıya Dayalı Bir Yöntem”, Türk Doğa ve Fen Derg., 10(1), pp. 30–36 (2021).

9. ERGÜN, E. and KILIÇ, K., “Derin Öğrenme ile Artırılmış Görüntü Seti üzerinden Cilt Kanseri Tespiti”, Black Sea J. Eng. Sci., pp. 192–200 (2021).
10. Şahin, N. and Alpaslan, N., “SegNet Mimarisi Kullanılarak Cilt Lezyon Bölütleme Performansının İyileştirilmesi”, Avrupa Bilim ve Teknol. Derg., pp. 40–45 (2020).
11. YILDIZ, O., “Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma”, Gazi Üniversitesi Mühendislik Mimar. Fakültesi Derg., 34(4), pp. 2241–2260 (2019).
12. KADİROĞLU, Z., AKILOTU, B. N., ŞENGÜR, A., and KAYAOĞLU, M., “Derin Öznitelikler ve Renk Kullanılarak Dermoskopik Görüntülerin Sınıflandırılması Classification of Dermoscopic Images Using Deep Features and Color” (2020).
13. Katip, I., “Dermoskopik Görüntülerdeki Melanomun Çoklu Makine Ö ˘ grenmesi Sınıflandırıcıları ile Tespiti Detection of Melanoma with Multiple Machine Learning Classifiers in Dermoscopy Images”, pp. 2–5 (2019).
14. YILDIRIM, M. and ÇINAR, A., “Classification of Skin Cancer Images with Convolutional Neural Network Architectures”, Turkish J. Sci. Technol., 16(2), pp. 187–195 (2021).
15. Kaggle, “Skin Cancer: Malignant vs. Benign”, https://www.kaggle.com/fanconic/skin-cancer-malignant-vs-benign.
16. Tschandl, P., Rosendahl, C., and Kittler, H., “The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions”, Sci. data, 5(1), pp. 1–9 (2018).
17. Krizhevsky, A., Sutskever, I., and Hinton, G. E., “ImageNet classification with deep convolutional neural networks”, Commun. ACM, 60(6), pp. 84–90 (2017).
18. Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L., “Imagenet: A large-scale hierarchical image database”, 2009 IEEE Conf. Comput. Vis. Pattern Recognit., Ieee, pp. 248–255 (2009).
19. He, K., Zhang, X., Ren, S., and Sun, J., “Deep residual learning for image recognition”, Proc. IEEE Conf. Comput. Vis. Pattern Recognit., pp. 770–778 (2016).
20. Robnik-Šikonja, M. and Kononenko, I., “Theoretical and empirical analysis of ReliefF and RReliefF”, Mach. Learn., 53(1), pp. 23–69 (2003).
21. Noble, W. S., “What is a support vector machine?”, Nat. Biotechnol., 24(12), pp. 1565–1567 (2006).
22. Peterson, L. E., “K-nearest neighbor”, Scholarpedia, 4(2), p. 1883 (2009).
23. Farooq, M. A., Khatoon, A., Varkarakis, V., and Corcoran, P., “Advanced deep learning methodologies for skin cancer classification in prodromal stages”, arXiv Prepr. arXiv2003.06356 (2020).
24. DEMİR, F., “Derin Öğrenme Tabanlı Yaklaşımla Kötü Huylu Deri Kanserinin Dermatoskopik Görüntülerden Saptanması”, Fırat Üniversitesi Mühendislik Bilim. Derg., 33(2), pp. 617–624 (2021).
25. Soylu, E. and Demir, R., “Development and Comparison of Skin Cancer Diagnosis Models”, Avrupa Bilim ve Teknol. Derg., (28), pp. 1217–1221 (2021).
26. Khasanah, N., Komarudin, R., Afni, N., Maulana, Y. I., and Salim, A., “Skin Cancer Classification Using Random Forest Algorithm”, SISFOTENIKA, 11(2), pp. 137–147 (2021).
27. FIRILDAK, K., TALU, M. F., and ÇELİK, G., “Transfer Öğrenme ve Çekişmeli Üretici Ağ Yaklaşımlarını Kullanarak Cilt Lezyonu Sınıflandırma Doğruluğunu İyileştirilmesi”, Fırat Üniversitesi Mühendislik Bilim. Derg., 32(2), pp. 491–498 (2020).

Ayrıntılar

Birincil Dil

Türkçe

Konular

-

Bölüm

Araştırma Makalesi

Yazarlar

Burak Tasci ^*
0000-0002-4490-0946
Türkiye

Yayımlanma Tarihi

30 Eylül 2022

Gönderilme Tarihi

22 Şubat 2022

Kabul Tarihi

30 Mayıs 2022

Yayımlandığı Sayı

Yıl 2022 Cilt: 34 Sayı: 2

DOI

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

IZ

https://izlik.org/JA22CE95KC

Kaynak Göster

RIS / Bibtex

APA

Tasci, B. (2022). Ön Eğitimli Evrişimsel Sinir Ağı Modellerinde Öznitelik Seçim Algoritmasını Kullanarak Cilt Lezyon Görüntülerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 34(2), 541-552. https://doi.org/10.35234/fumbd.1077322

AMA

1.Tasci B. Ön Eğitimli Evrişimsel Sinir Ağı Modellerinde Öznitelik Seçim Algoritmasını Kullanarak Cilt Lezyon Görüntülerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2022;34(2):541-552. doi:10.35234/fumbd.1077322

Chicago

Tasci, Burak. 2022. “Ön Eğitimli Evrişimsel Sinir Ağı Modellerinde Öznitelik Seçim Algoritmasını Kullanarak Cilt Lezyon Görüntülerinin Sınıflandırılması”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 34 (2): 541-52. https://doi.org/10.35234/fumbd.1077322.

EndNote

Tasci B (01 Eylül 2022) Ön Eğitimli Evrişimsel Sinir Ağı Modellerinde Öznitelik Seçim Algoritmasını Kullanarak Cilt Lezyon Görüntülerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 34 2 541–552.

IEEE

[1]B. Tasci, “Ön Eğitimli Evrişimsel Sinir Ağı Modellerinde Öznitelik Seçim Algoritmasını Kullanarak Cilt Lezyon Görüntülerinin Sınıflandırılması”, Fırat Üniversitesi Mühendislik Bilimleri Dergisi, c. 34, sy 2, ss. 541–552, Eyl. 2022, doi: 10.35234/fumbd.1077322.

ISNAD

Tasci, Burak. “Ön Eğitimli Evrişimsel Sinir Ağı Modellerinde Öznitelik Seçim Algoritmasını Kullanarak Cilt Lezyon Görüntülerinin Sınıflandırılması”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 34/2 (01 Eylül 2022): 541-552. https://doi.org/10.35234/fumbd.1077322.

JAMA

1.Tasci B. Ön Eğitimli Evrişimsel Sinir Ağı Modellerinde Öznitelik Seçim Algoritmasını Kullanarak Cilt Lezyon Görüntülerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2022;34:541–552.

MLA

Tasci, Burak. “Ön Eğitimli Evrişimsel Sinir Ağı Modellerinde Öznitelik Seçim Algoritmasını Kullanarak Cilt Lezyon Görüntülerinin Sınıflandırılması”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, c. 34, sy 2, Eylül 2022, ss. 541-52, doi:10.35234/fumbd.1077322.

Vancouver

1.Burak Tasci. Ön Eğitimli Evrişimsel Sinir Ağı Modellerinde Öznitelik Seçim Algoritmasını Kullanarak Cilt Lezyon Görüntülerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 01 Eylül 2022;34(2):541-52. doi:10.35234/fumbd.1077322

Monkeypox Diagnosis Using MRMR-Based Feature Selection and Hybrid Deep Learning Models: ResNet50V2, NASNetMobile, and InceptionV3

International Scientific and Vocational Studies Journal

https://doi.org/10.47897/bilmes.1706322

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

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

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Monocyte/HDL Cholesterol Ratios as a New Inflammatory Marker in Patients with Schizophrenia

OCT Findings in Patients with Methamphetamine Use Disorder

Brachytherapy Method Using Individualized Applicators to Increase Efficiency in Skin Tumors Treatment

Monkeypox Diagnosis Using MRMR-Based Feature Selection and Hybrid Deep Learning Models: ResNet50V2, NASNetMobile, and InceptionV3