Deri lezyonlarının evrişimsel yapay sinir ağları ile sınıflandırılması

Öz

Bu çalışmada Uluslararası Deri Görüntüleme Birliği tarafından 2019 yılında yayınlanan ve 25000’den fazla dermoskopik deri görüntüsü içeren ISIC 2019 veri seti kullanılarak 4 çeşit (Melanom, Melanositik Nevüs, Bazal Hücreli Karsinom, İyi Huylu Keratoz) deri pigmentasyonu Evrişimsel Sinir Ağları yöntemi yardımıyla sınıflandırılmıştır. Sınıflandırma yapılırken InceptionV3 yapay sinir ağı mimarisi kullanılmıştır. Deri görüntülerine önişlem olarak Hilbert Dönüşümü ve Yüksek Boyutlu Model Gösterilimi uygulanmıştır. Elde edilen sonuçlara göre test verisi üzerinde Hilbert Dönüşümü uygulanmış görüntülerde Bazal Hücreli Karsinom hastalığının sınıflandırılmasında %89 başarı oranı elde edilmiştir. Yüksek Boyutlu Model Gösterilimi ile Kontrast Artırımı uygulanan görsellerde ise Melanomun sınıflandırılmasında %78 başarı oranı elde edilmiştir.

Anahtar Kelimeler

• Deri pigmentasyonlarının sınıflandırılması
• Hilbert dönüşümü
• Yüksek boyutlu model gösterilimi

Classification of skin lesions using convolutional neural networks

Abstract

In this paper we classified 4 skin lesions (Melanoma,Melanocytic Nevus, Basal Cell Carcinoma, Benign keratosis) from ISIC 2019 dataset which was published by International Skin Imaging Collabration in 2019. We used InceptionV3 convolutional neural network model for classification. We applied two preprocessing methods: High Dimensional Model Representation (HDMR) and Hilbert Transform. In conclusion we obtained 89% accuracy on classification of Basal Cell Carcinoma using Hilbert Transform. Moreover, we obtained 78% accuracy on classification of Melanoma using Contrast Enhancement High Dimensional Model Representation (HDMR).

Keywords

• Classifications of skin lesions
• Hilbert transform
• High dimensional model representation

Kaynakça

1. [1] Binder M, Steiner A, Schwarz M, Knollmayer S, Wolff K, Pehamberger H. “Application of an artificial neural network in epiluminescence microscopy pattern analysis of pigmented skin lesions: a pilot study”. British Journal of Dermatology 130, 460-465, 1994.
2. [2] Gürkan H, Hanilçi A. “Evrişimsel sinir ağı ve QRS imgeleri kullanarak EKG tabanlı biyometrik tanıma yöntemi”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 26(2), 318-327, 2020.
3. [3] Özkan K, Seke E, Isik S. “Wheat kernels classification using visible-near infrared camera based on deep learning”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 27(5), 618-626, 2021.
4. [4] Cevik F, Kilimci ZH. “Derin öğrenme yöntemleri ve kelime yerleştirme modelleri kullanılarak Parkinson hastalığının duygu analiziyle değerlendirilmesi”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 27(2), 151-161, 2020.
5. [5] 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, 542(7639), 115-118, 2017.
6. [6] Maron RC, “Systematic outperformance of 112 dermatologists in multiclass skin cancer image classification by convolutional networks”. European Journal of Cancer, 119, 57-65, 2019.
7. [7] Eddine GA, Skin Lesion Classification Using Deep Neural Network. MSc Thesis, Mohamed El Bachir El Ibrahimi University, El Anceur, Algeria, 2019.
8. [8] Kassem MA, Hosny KM, Fouad MM. “Skin lesions classification ınto eight classes for ISIC 2019 using deep convolutional neural network and transfer learning“. IEEE Access, 8, 114822-114832, 2020.

9. [9] Gessert N, Nielsen M, Shaikh M, Werner R, Schlaefer A. “Skin lesion classification using ensembles of multiresolution EfficientNets with meta data”. MethodsX, 7, 1-8, 2020.
10. [10] Combalia M, Codella NC, Rotemberg V, Helba B, Vilaplana V, Reiter O, Halpern AC, Puig S, Malvehy J “Bcn20000: Dermoscopic lesions in the wild”. arXiv, 2019. https://arxiv.org/pdf/1908.02288.pdf.
11. [11] Demiralp M. “High Dimensional Model Representation and its application varieties”. Mathematical Research, 9, 146-159, 2003.
12. [12] Dere N, Tunga B. "License Plate Recognition System by Using High Dimensional Model Representation". 2nd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT 2018), Ankara, Turkey, 19-21 October 2018.
13. [13] Karcılı A, Tunga B. "High dimensional model representation (HDMR) with clustering for image retrieval". ICNPAA 2016 World Congress: International Conference in Nonlinear Problems in Aviation and Aerospace, La Rochelle, France, 5-8 July 2016.
14. [14] Tunga MA, Demiralp M. "A Novel Method for Multivariate Data Modelling: Piecewise Generalized EMPR". Journal of Mathematical Chemistry, 51(10), 2654-2667, 2013.
15. [15] Tunga MA, Demiralp M. "A new approach for data partitioning through high dimensional model representation". International Journal of Computer Mathematics, 85(12), 1779-1792, 2008.
16. [16] Tunga B, Koçanaoğulları A. “Digital image decomposition and contrast enhancement using high-dimensional model representation”. Signal Image and Video Processing, 12(1), 299-306, 2018.
17. [17] Altın EM, Tunga B. "High dimensional model representation in ımage processing". International Conference on Computational and Mathematical Methods in Science and Engineering, Cadiz, Spain, 3-7 July 2014.
18. [18] Neri U. Singular Integrals. 1st ed. New York, USA, SpringerVerlag Heidelberg, 1971.
19. [19] Faizan S. "Understanding Inception Network from Scratch". www.analyticsvidhya.com/blog/2018/10/understandin g-inception-network-from-scratch/ (06.05.2019).
20. [20] Mahmood H. “Softmax Function, Simplified”. https://towardsdatascience.com/softmax-functionsimplified-714068bf8156 (05.07.2019).