Evrişimsel Sinir Ağları ile Cilt Hastalıklarının Tanısında Transfer Öğrenme Yönteminin Uygulanması

Abstract

Dünya genelinde her yıl milyonlarca kişiye cilt kanseri tanısı konulmakta ve çok sayıda insan bu hastalıktan dolayı hayatını kaybetmektedir.Cilt hastalıklarında erken tanı önemlidir.Bu nedenle, Cilt hastalıklarının bilgisayar destekli makine öğrenmesi tabanlı algoritmalar kullanılarak yüksek doğrulukla tanımlanması çalışmaları önem kazanmıştır.Medikal görüntüler kullanılarak, cilt hastalıklarını hızlı ve yüksek doğrulukla tespit etmek için evrişimsel sinir ağları sıklıkla kullanılmaktadır.Bu çalışmada, HAM10000 veri setinin yüksek doğrulukla sınıflandırılması için transfer öğrenme kullanan bir yöntem önerilmiştir.ImageNet veri setiyle ön eğitilmiş modeller transfer edilerek, HAM10000 veri setinin sınıflandırılması için kullanılmıştır.Önerilen yöntemin etkinliğini karşılaştırmalı olarak göstermek için, Xception ve DenseNet201 evrişimsel sinir ağı modelleri ayrı ayrı kullanılmıştır.Veri setindeki görüntülerin sayısı gerçek zamanlı veri artırma yöntemi ile artırılmıştır.Yapılan çalışmada test doğruluğu, kesinlik,duyarlılık ve fl-skoru ölçütlerine göre, Xcepiton modelinde DenseNet201 modeline göre daha iyi sımıflandırma sonuçları elde edilmiştir.Bu çalışmada elde edilen sonuçlar, Literatürdeki benzer çalışmalar ile kıyaslandığında daha yüksek başarımlar elde edildiği gözlemlenmiştir.

Millions of people are diagnosed with skin cancer every year around the world, and many people die from this disease. Early diagnosis is important in skin diseases. For this reason, studies on identifying skin diseases with high accuracy using computer-assisted machine learning-based algorithms have gained importance. Convolutional neural networks are frequently used to detect skin diseases quickly and with high accuracy using medical images. In this study, a method using transfer learning is proposed to classify the HAM10000 dataset with high accuracy. Pre-trained models with the ImageNet dataset were transferred and used for classification of the HAM10000 dataset. To demonstrate the effectiveness of the proposed method, Xception and DenseNet201 convolutional neural network models are used separately. In experimental studies, the number of images in the dataset was increased by real-time data augmentation method. In the study, better classification results were obtained in the Xcepiton model compared to the DenseNet201 model, according to the test accuracy, precision, sensitivity and fl-score criteria. It has been observed that higher performances are obtained when the results in this study are compared with similar studies in the literature.