Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma

Oktay Yıldız

doi:10.17341/gazimmfd.435217

Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma

Öz

Cilt kanseri yaygın görülen ve tedavi edilmemesi durumunda ölüme neden olan ciddi bir hastalıktır. Melanom ise nadir görülmesine rağmen ölüme en çok neden olan cilt kanseri türüdür. Tüm hastalıklarda olduğu gibi cilt kanserinin erken ve doğru tespit edilmesi hayati önem taşımaktadır. Bilgisayar destekli tanı sistemleri cilt kanseri tespitinde hekimlere ve hastalara yardımcı olabilir. Bilgisayar destekli tanı sistemlerinde özellikle makine öğrenmesi ve derin öğrenme algoritmaları etkin bir şekilde kullanılmaktadır. Gerçekleştirilen bu çalışmada cilt kanseri türü olan melanom için otomatik tanı koyabilecek bir sistem önerilmektedir. Melanom tanısı için tasarlanan C4Net derin sinir ağ modeli ile beraber literatürde ön plana çıkmış AlexNet, GoogLeNet, ResNet, VGGNet derin öğrenme algoritmaları ve Yapay sinir ağları, En yakın komşu algoritması ve Destek vektör makinesi gibi geleneksel makine öğrenmesi algoritmalarını da kapsayan detaylı bir deneysel çalışma yapılmıştır. Gerçekleştirilen deneysel çalışmalarda melanom tanısı için tasarlanan C4Net derin sinir ağ modeli diğer yöntemlere göre daha yüksek doğrulukta sınıflandırma başarısı göstermiştir.

Anahtar Kelimeler

melanom tespiti,konvolüsyonel sinir ağı,derin öğrenme,makine öğrenmesi,cilt kanseri

Kaynakça

Halk Sağlığı Genel Müdürlüğü - https://hsgm.saglik.gov.tr. Erişim tarihi Nisan 10, 2018
Bron, E. E., Smits, M., Van Der Flier, W. M., Vrenken, H., Barkhof, F., Scheltens, P., & Pinto, M., Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: the CADDementia challenge. NeuroImage, 111, 562-579, 2015.
Oliveira, R. B., Pereira, A. S., & Tavares, J. M. R., Skin lesion computational diagnosis of dermoscopic images: Ensemble models based on input feature manipulation, Computer methods and programs in biomedicine, 149, 43-53, 2017.
Lottaz, C., Gronwald, W., Spang, R., & Engelmann, J. C., High-Dimensional Profiling for Computational Diagnosis. In Bioinformatics (pp. 205-229), Humana Press, New York, NY, 2017.
Demirhan, A., & Güler, İ., Özörgütlemeli Harita Ağlari Ve Gri Düzey Eş Oluşum Matrisleri Ile Görüntü Bölütleme. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 25(2), 2010.
Ye, Q. H., Qin, L. X., Forgues, M., He, P., Kim, J. W., Peng, A. C., & Ma, Z. C., Predicting hepatitis B virus–positive metastatic hepatocellular carcinomas using gene expression profiling and supervised machine learning. Nature medicine, 9(4), 416, 2003.
Kononenko, I., Machine learning for medical diagnosis: history, state of the art and perspective. Artificial Intelligence in medicine, 23(1), 89-109, 2001.
Berikol, G. B., Yildiz, O., & Özcan, İ. T., Diagnosis of acute coronary syndrome with a support vector machine. Journal of medical systems, 40(4), 84, 2016.

Litjens, G., Sánchez, C. I., Timofeeva, N., Hermsen, M., Nagtegaal, I., Kovacs, I., & Van Der Laak, J., Deep learning as a tool for increased accuracy and efficiency of histopathological diagnosis. Scientific reports, 6, 26286, 2016
Liu, S., Cai, W., Pujol, S., Kikinis, R., & Feng, D., Early diagnosis of Alzheimer's disease with deep learning. In Biomedical Imaging (ISBI), 2014 IEEE 11th International Symposium on (pp. 1015-1018), IEEE, 2014.
Ojala, T., Pietikainen, M., & Maenpaa, T., Multiresolution gray-scale and rotation invariant texture classification with local binary patterns, IEEE Transactions on pattern analysis and machine intelligence, 24(7), 971-987, 2002.
Ahonen, T., Hadid, A., & Pietikainen, M., Face description with local binary patterns: Application to face recognition, IEEE transactions on pattern analysis and machine intelligence, 28(12), 2037-2041, 2006.
Zhao, G., & Pietikainen, M., Dynamic texture recognition using local binary patterns with an application to facial expressions, IEEE transactions on pattern analysis and machine intelligence, 29(6), 915-928, 2007.
Dalal, N., & Triggs, B., Histograms of oriented gradients for human detection. In Computer Vision and Pattern Recognition, CVPR’05-IEEE Computer Society Conference on (Vol. 1, pp. 886-893), 2005
Zhu, Q., Yeh, M. C., Cheng, K. T., & Avidan, S., Fast human detection using a cascade of histograms of oriented gradients. In Computer Vision and Pattern Recognition, 2006 IEEE Computer Society Conference on (Vol. 2, pp. 1491-1498), IEEE, 2006
Antonini, M., Barlaud, M., Mathieu, P., & Daubechies, I., Image coding using wavelet transform, IEEE Transactions on image processing, 1(2), 205-220, 1992
Chang, T., & Kuo, C. C., Texture analysis and classification with tree-structured wavelet transform, IEEE Transactions on image processing, 2(4), 429-441, 1993.
Mehrotra, R., Namuduri, K. R., & Ranganathan, N., Gabor filter-based edge detection. Pattern recognition, 25(12), 1479-1494, 1992.
Haralick, R., Shanmugam, K., & Dinstein, I., Textural features for image classification. Systems, Man and Cybernetics, IEEE Transactions on, SMC-3 (6), 610–621. doi: 10.1109/TSMC.1973.4309314, 1973.
Shin, H. C., Roth, H. R., Gao, M., Lu, L., Xu, Z., Nogues, I., Summers, R. M., Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning, IEEE transactions on medical imaging, 35(5), 1285-1298, 2016.
Gu, J., Wang, Z., Kuen, J., Ma, L., Shahroudy, A., Shuai, B., Chen, T., Recent advances in convolutional neural networks. Pattern Recognition, 2017.
Chen, X., Xiang, S., Liu, C. L., & Pan, C. H., Vehicle detection in satellite images by hybrid deep convolutional neural networks, IEEE Geoscience and remote sensing letters, 11(10), 1797-1801, 2014.
Pal, A., Garain, U., Chandra, A., Chatterjee, R., & Senapati, S., Psoriasis skin biopsy image segmentation using Deep Convolutional Neural Network, Computer methods and programs in biomedicine, 159, 59-69, 2018.
Chan, T. H., Jia, K., Gao, S., Lu, J., Zeng, Z., & Ma, Y., PCANet: A simple deep learning baseline for image classification?, IEEE Transactions on Image Processing, 24(12), 5017-5032, 2015
Chen, Y., Lin, Z., Zhao, X., Wang, G., & Gu, Y., Deep learning-based classification of hyperspectral data, IEEE Journal of Selected topics in applied earth observations and remote sensing, 7(6), 2094-2107, 2014.
Krizhevsky, A., Sutskever, I., & Hinton, G. E., Imagenet classification with deep convolutional neural networks, In Advances in neural information processing systems (pp. 1097-1105), 2012.
Ciregan, D., Meier, U., & Schmidhuber, J. (2012, June). Multi-column deep neural networks for image classification. In Computer vision and pattern recognition (CVPR), 2012 IEEE conference on (pp. 3642-3649), 2012.
Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., Sánchez, C. I., A survey on deep learning in medical image analysis, Medical image analysis, 42, 60-88, 2017
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S., Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115, 2017.
Codella, N., Cai, J., Abedini, M., Garnavi, R., Halpern, A., & Smith, J. R., Deep learning, sparse coding, and SVM for melanom recognition in dermoscopy images, In International Workshop on Machine Learning in Medical Imaging (pp. 118-126), Springer, Cham, 2015.
The International Society for Digital Imaging of the Skin (ISDIS) Archive - https://isic-archive.com/. Erişim tarihi Aralık 5, 2017.
Li, Y., Nie, X., & Huang, R., Web spam classification method based on deep belief networks, Expert Systems with Applications, 96, 261-270, 2018.
The Skin Cancer Foundation - SkinCancer.org - https://www.skincancer.org/skin-cancer-information/melanoma#panel1-5 - Erişim tarihi Nisan 3, 2018

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Oktay Yıldız ^*
0000-0001-9155-7426
Türkiye

Yayımlanma Tarihi

25 Haziran 2019

Gönderilme Tarihi

20 Haziran 2018

Kabul Tarihi

27 Mart 2019

Yayımlandığı Sayı

Yıl 2019 Cilt: 34 Sayı: 4

DOI

https://doi.org/10.17341/gazimmfd.435217

IZ

https://izlik.org/JA64HN79WG

Kaynak Göster

RIS / Bibtex

APA

Yıldız, O. (2019). Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 34(4), 2241-2260. https://doi.org/10.17341/gazimmfd.435217

AMA

1.Yıldız O. Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma. GUMMFD. 2019;34(4):2241-2260. doi:10.17341/gazimmfd.435217

Chicago

Yıldız, Oktay. 2019. “Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34 (4): 2241-60. https://doi.org/10.17341/gazimmfd.435217.

EndNote

Yıldız O (01 Haziran 2019) Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34 4 2241–2260.

IEEE

[1]O. Yıldız, “Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma”, GUMMFD, c. 34, sy 4, ss. 2241–2260, Haz. 2019, doi: 10.17341/gazimmfd.435217.

ISNAD

Yıldız, Oktay. “Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34/4 (01 Haziran 2019): 2241-2260. https://doi.org/10.17341/gazimmfd.435217.

JAMA

1.Yıldız O. Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma. GUMMFD. 2019;34:2241–2260.

MLA

Yıldız, Oktay. “Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 34, sy 4, Haziran 2019, ss. 2241-60, doi:10.17341/gazimmfd.435217.

Vancouver

1.Oktay Yıldız. Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma. GUMMFD. 01 Haziran 2019;34(4):2241-60. doi:10.17341/gazimmfd.435217

Cited By

ERUSLR: yeni bir Türkçe işaret dili veri seti ve hiperparametre optimizasyonu destekli evrişimli sinir ağı ile tanınması

Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi

https://doi.org/10.17341/gazimmfd.746793

Toz yatak füzyon birleştirme eklemeli imalatta kusur tespiti için öğrenme aktarımı kullanan derin öğrenme tabanlı bir yaklaşım

Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi

https://doi.org/10.17341/gazimmfd.870436

X-ışını görüntülerinden omuz implantlarının tespiti ve sınıflandırılması: YOLO ve önceden eğitilmiş evrişimsel sinir ağı tabanlı bir yaklaşım

Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi

https://doi.org/10.17341/gazimmfd.888202

İnsan kulağı görüntüleri kullanarak cinsiyet tanıma için derin öğrenme tabanlı melez bir yaklaşım

Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi

https://doi.org/10.17341/gazimmfd.945188

Video Görüntülerinde Gerçek Zamanlı Yüz Tanıma ve Zaman İşaretleme için Yeni Bir Derin Öğrenme Modeli

Bilişim Teknolojileri Dergisi

https://doi.org/10.17671/gazibtd.1051738

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

Cilt Kanseri Görüntüleri Kullanılarak Eğitilen EfficientNet-B3 Mimarisinde Hiperparametre Seçiminin Sınıflandırma Performansına Etkisinin İncelenmesi

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

https://doi.org/10.35234/fumbd.1426044

CLASSIFICATION OF X-RAY AND CT IMAGES IN DIFFERENT COLOR SPACES USING ROBUST CNN

Mühendislik Bilimleri ve Tasarım Dergisi

https://doi.org/10.21923/jesd.1415150

A New Approach to Automatic Detection of Tactile Coating Surfaces with Deep Learning

Bitlis Eren Üniversitesi Fen Bilimleri Dergisi

https://doi.org/10.17798/bitlisfen.1432965

Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma

Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

ERUSLR: yeni bir Türkçe işaret dili veri seti ve hiperparametre optimizasyonu destekli evrişimli sinir ağı ile tanınması

Toz yatak füzyon birleştirme eklemeli imalatta kusur tespiti için öğrenme aktarımı kullanan derin öğrenme tabanlı bir yaklaşım

X-ışını görüntülerinden omuz implantlarının tespiti ve sınıflandırılması: YOLO ve önceden eğitilmiş evrişimsel sinir ağı tabanlı bir yaklaşım

İnsan kulağı görüntüleri kullanarak cinsiyet tanıma için derin öğrenme tabanlı melez bir yaklaşım

Video Görüntülerinde Gerçek Zamanlı Yüz Tanıma ve Zaman İşaretleme için Yeni Bir Derin Öğrenme Modeli

Ön Eğitimli Evrişimsel Sinir Ağı Modellerinde Öznitelik Seçim Algoritmasını Kullanarak Cilt lezyon görüntülerinin Sınıflandırılması

Classification of skin cancer using VGGNet model structures

Derin sinir ağlarıyla Osmanlıca optik karakter tanıma

Köpeklerdeki Uzun Kemiklerin Evrişimsel Sinir Ağları Kullanılarak Sınıflandırılması

Glakom ve Katarakt Hastalığının Derin Öğrenme Modelleri ile Teşhisi

Cilt Kanseri Görüntüleri Kullanılarak Eğitilen EfficientNet-B3 Mimarisinde Hiperparametre Seçiminin Sınıflandırma Performansına Etkisinin İncelenmesi

CLASSIFICATION OF X-RAY AND CT IMAGES IN DIFFERENT COLOR SPACES USING ROBUST CNN

A New Approach to Automatic Detection of Tactile Coating Surfaces with Deep Learning