A New Approach to Hair Noise Cleansing and Lesion Segmentation in Images of Skin Cancer

Öz

According to the World Health Organization, cancer is the second highest cause of death in the world with 9.8 million. One of the most common types of cancer is skin cancer. In skin cancer, as in other types of cancer, early diagnosis is vital in the treatment process. Today, in the diagnosis of skin cancer, besides traditional methods, computer technology based methods such as Image Processing, Artificial Intelligence, Deep Learning, Artificial Neural Networks are frequently used. The most important advantage of these methods is that they do not contain human errors during the diagnosis process. On the other hand, one of the biggest problems is the inaccuracy in the diagnosis of cancer due to the fact that the hair cleansing and lesion segmentation cannot be performed correctly.This study presents a new UNET-based approach to clearing skin cancer lesions from hair noises and lesion segmentation. Two data sets of International Skin Imaging Collaboration (ISIC) were used in the study. As a result of the study, a success rate of 92% in hair removal and approximately 94% in lesion segmentation was achieved.

Anahtar Kelimeler

• Deep Learning,Hair Removal,Skin Cancer,Unet

Cilt Kanserinde Kıl Temizliği ve Lezyon Bölütlemesinde Yeni Bir Yaklaşım

Öz

Dünya Sağlık Örgütüne göre kanser 9.8 milyon ile dünyadaki ikinci en yüksek ölüm nedenidir. Kanser türleri arasında en sık rastlanılandan biri ise cilt kanseridir. Cilt kanserinde de, diğer kanser türlerinde olduğu gibi erken tanı tedavi sürecinde hayati öneme sahiptir. Günümüzde cilt kanseri tanısında geleneksel yöntemlerin yanı sıra bilgisayar teknolojisi temelli Görüntü İşleme, Yapay Zekâ, Derin Öğrenme, Yapay Sinir Ağları gibi yöntemler sıklıkla kullanılmaktadır. Bu yöntemlerin en önemli avantajı, tanı sürecinde insan kaynaklı hataları barındırmamasıdır. Diğer yandan, en büyük sorunlardan birisi ise lezyondaki kıl temizliği ve lezyon bölütlemesinin doğru yapılamaması nedeniyle kanser tanısında yanlışlıklara yol açılmasıdır. Bu çalışma, cilt kanseri lezyonlarının kıl gürültülerinden temizlenmesi ve lezyon bölütlemesinde UNET tabanlı yeni bir yaklaşım sunmaktadır. Çalışma kapsamında International Skin Imaging Collaboration (ISIC)’e ait iki adet veri seti kullanılmıştır. Çalışma sonucunda kıl temizliğinde yaklaşık %92, lezyon bölütlemesinde yaklaşık %94 başarı oranı elde edilmiştir.

Anahtar Kelimeler

• Derin Öğrenme,Kıl Temizleme,Cilt Kanseri,Unet

Kaynakça

1. [1]. Baykara, O., “Kanser Tedavisinde Güncel Yaklaşımlar”, Balıkesir Sağlık Bilimleri Dergisi, 5(3):154-165, (2016).
2. [2]. “Cancer”, https://www.who.int/news-room/fact-sheets/detail/cancer, Erişim (5.11. 2019).
3. [3]. Faisal,Z., Abbadi, N., “New Segmentation Method for Skin Cancer Lesions”, Journal of Engineering and Applied Sciences, 12(21):5598-5602 (2017).
4. [4]. Ünver, H. M., Ayan, E., “Skin Lesion Segmentation in Dermoscopic Images with Combination of YOLO and GrabCut Algorithm”, Diagnostics, 9(72):1-21, (2019).
5. [5]. Güngör,K.H., “Metastaz Yapmamış Melanoma Ve Melanoma Dışı Deri Kanserleri İçin Geliştirilmiş Olan Deri Kanseri İlişkili Yaşam Kalitesi Ölçeğinin (Dkykö) Türkçe Geçerlilik Ve Güvenilirliğinin Araştırılması”, Tıpta Uzmanlık Tezi, Ankara Üniversitesi Tıp Fakültesi, Ankara, (2016).
6. [6]. Demirci, M.,Yabanova, İ., “Model Tabanlı Tasarım Metotları Kullanılarak Gerçek Zamanlı Bir Görüntü İşleme Sisteminin Tasarımı ve Gerçeklemesi”, Politeknik Dergisi, 22(4): 827-838, (2019).
7. [7]. Sağıroğlu, Ş.,Beşdok, E., “A Novel Approach for Image Denoising Based on Artificial Neural Networks”, Politeknik Dergisi, 15(2):71-86, (2012).
8. [8]. Kassam, A., “Segmentation Of Skin Cancer By Using Image ProcessingTechniques”, Master Thesis, Yıldız Technical University Department Of Computer Engineering, İstanbul, (2016).

9. [9]. Lee,T., Ng V., Gallagher R., Coldman A., McLean D., "Dullrazor: A Software Approach to Hair Removal from Images", Computers in biology and medicine, 27(6):533-543, (1997).
10. [10].Celebi, E.C., Aslandoğan, A.A., Stoecker WV, Iyatomi H, Oka H, Chen X., "Unsupervised Border Detection in Dermoscopy Images", Skin Researchand Technology, 13(4):454- 462, (2007).
11. [11]. Alom, M.,Aspiras,T., Taha,T., Vijayan, K., “Skin Cancer Segmentation and Classification with NABLA-N and Inception Recurrent Residual Convolutional Networks”,https://arxiv.org/ftp/arxiv/papers/1904/1904.11126.pdf, Erişim (5.11. 2019).
12. [12].ISIC 2018: Skin Lesion Analysis Towards Melanoma Detection”, https://challenge2018.isic-archive.com/, Erişim(15.10.2019).
13. [13].L´opez, A.,“Skin Lesion Detection From Dermoscopic Images Using Convolutional Neural Networks, A Degree Thesis, Faculty of theEscolaT`ecnicad’Enginyeria de Telecomunicacio´ de Barcelona UniversitatPolit`ecnica de Catalunya, Barcelona, (2017).
14. [14].Sümen, A., “Denizcilik Lisesi Öğrencilerine Cilt Kanseri Konusunda Verilen Eğitimin Bilgi Ve Davranışlarına Etkisi”, Yüksek Lisans Tezi, Akdeniz Üniversitesi Sağlık Bilimleri Enstitüsü, Antalya, (2014).
15. [15].Kızılbey, K.,Akdeste, Z., “Melanoma Cancer”, Journal of Engineering and Natural Sciences, 31(4):555-569, (2013).
16. [16].”Task 3: LesionDiagnosis: Training”, https://challenge2018.isic-archive.com/task3/training/, Erişim (18.10. 2019).
17. [17].”U-Net: Convolutional Networks forBiomedical Image Segmentation”,https://arxiv.org/pdf/1505.04597.pdf, Erişim (18.10. 2019).