Derin Öğrenme Tabanlı Yaklaşımla Kötü Huylu Deri Kanserinin Dermatoskopik Görüntülerden Saptanması

Yıl 2021, Cilt: 33 Sayı: 2, 617 - 624, 15.09.2021

Fatih Demir

https://doi.org/10.35234/fumbd.900170

Cited By: 7

Öz

Deri kanseri erken teşhis edilmezse ölümle sonuçlanan vakalara yol açabilir. Dermatoskopik görüntüler deri kanserini erken teşhis etmek için en önemli veridir. Yapay zeka modellerini içeren bilgisayar destekli uygulamalar dermatoskopik görüntülerden deri kanserini teşhis etmek için uzmanlara yardım etmede faydalı bir araç olabilir. Özellikle, derin öğrenme tabanlı uygulamalar medikal görüntülerden hastalık tespit etmede popüler hale gelmiştir. Bu çalışmada, MobileNetV2 modelini içeren derin öğrenme tabanlı yaklaşım, dermatoskopik görüntülerden kötü huylu deri kanserini teşhis etmek için kullanılmıştır. Önceden eğitilmiş MobileNetV2 modelinin tam bağlı katmanındaki değerler kullanılarak öznitelikler çıkarılmıştır. Bir sonraki aşamada sınıflandırma performansını artırmak için rasgele değişken (RD) ve L1-Norm DVM algoritmalarıyla özniteliklerden yüksek seviyeli olanlar seçilmiştir. En son olarak diğer sınıflandırıcılara göre daha iyi performans sağladığı için Destek Vektör Makineleri (DVM) algoritması ile sınıflandırma işlemi yapılmıştır. Önerilen yöntemle %88.35 sınıflandırma doğruluğu elde edilmiştir. Ayrıca aynı veri setini kullanan bir diğer çalışmaya göre daha iyi bir başarım sağlanmıştır.

Anahtar Kelimeler

Kötü huylu deri kanseri, MobileNetV2 modeli, öznitelik seçme, sınıflandırma

Kaynakça

• [1] Nami N, Giannini E, Burroni M, Fimiani M, Rubegni P. Teledermatology: state-of-the-art and future perspectives. Expert Review of Dermatology 2012; 7(1): 1–3.
• [2] Fabbrocini G, Triassi M, Mauriello MC, Torre G, Annunziata MC, De Vita V, Pastore F, D'Arco V, ve diğerleri. Epidemiology of skin cancer: role of some environmental factors, Cancers 2010; 2(4), 1980–1989.
• [3] Haenssle HA, Fink C, Schneiderbauer R, Toberer F, Buhl T, Blum A, Kalloo A, Ben Hadj Hassen, ve diğerleri. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Annals of Oncology 2018; 29(8), 1836–1842.
• [4] Argenziano G, Soyer HP. Dermoscopy of pigmented skin lesions--a valuable tool for early. The lancet oncology 2001; 2(7), 443–449.
• [5] Kittler H, Pehamberger H, Wolff K, Binder M. Diagnostic accuracy of dermoscopy. The lancet oncology 2002; 3(3), 159–165.
• [6] Ali A-RA, Deserno TM. A systematic review of automated melanoma detection in dermatoscopic images and its ground truth data. In Medical Imaging; 12 February 2012; San Diego, California, USA.
• [7] Fabbrocini G, De Vita V, Pastore F, D’Arco V, Mazzella C, Annunziata MC, Cacciapuoti S, Mauriello MC, ve diğerleri. Teledermatology: from prevention to diagnosis of nonmelanoma and melanoma skin cancer. International journal of telemedicine and applications 2011; 2011(125762).1-5.
• [8] Krizhevsky A, Sutskever I, Hinton GE. Imagenet classification with deep convolutional neural networks, Communications of the ACM 2017; 60(6), 84–90.
• [9] Brinker TJ, Hekler A, Enk AH, Berking C, Haferkamp S, Hauschild A, Roman C, Berking C. Deep neural networks are superior to dermatologists in melanoma image classification, European Journal of Cancer 2019; 119, 11–17.
• [10] Hosny KM, Kassem MA, Foaud MM. Classification of skin lesions using transfer learning and augmentation with AlexNet, PloS one 2019; 14(5), 217-293. [11] Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks, nature 2017; 542(7639), 115–118.
• [12] Nugroho AA, Slamet I, Sugiyanto. Skins cancer identification system of HAMl0000 skin cancer dataset using convolutional neural network, In AIP Conference Proceedings; 27 December 2019; pp. 20039.
• [13] Alqudah AM, Alquraan H, and Qasmieh IA. Segmented and non-segmented skin lesions classification using transfer learning and adaptive moment learning rate technique using pretrained convolutional neural network, In Journal of Biomimetics, Biomaterials and Biomedical Engineering 2019; 42, 67–78.
• [14] Howard AG, Zhu M, Chen B, Kalenichenko D, Wang W, Weyand T. Mobilenets: Efficient convolutional neural networks for mobile vision applications 2019; arXiv preprint arXiv:1704.04861.
• [15] Sandler M, Howard A, Zhu M. Zhmoginov A, and Chen L-C. Mobilenetv2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE conference on computer vision and pattern recognition;18-22 June 2018; Salt Lake City, Utah, USA, pp. 4510–4520.
• [16] [Liu S, Li H, Zhang Y, Zou B, Zhao J. Random forest-based track initiation method. The Journal of Engineering 2019;, 2019(19), 6175–6179.
• [17] Bradley PS, Mangasarian OL. Feature selection via concave minimization and support vector machines, In ICML 1998; 98, 82–90.
• [18] Farooq MA, Khatoon A, Varkarakis V, Corcoran P. Advanced Deep Learning Methodologies for Skin Cancer Classification in Prodromal Stages 2020; arXiv preprint arXiv:2003.06356.