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

Yıl 2022, Cilt: 34 Sayı: 2, 541 - 552, 30.09.2022

Burak Tasci

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

Cited By: 2

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

Öznitelik Seçimi, Sınıflandırma, Evrişimsel Sinir Ağları, Destek Vektör Makinesi

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).