Evrişimsel Sinir Ağları ile Cilt Hastalık Görüntülerinin Sınıflandırılmasında Transfer Öğrenme Yönteminin Etkinliğinin Araştırılması

Abstract

Yapay zekâ alanındaki ilerlemeler çeşitli hastalıkların tanısında, doktorlar ve alanındaki uzmanlara yardımcı olmakta ve hastalıkların erken teşhisinde tıbbi karar destek sistemleri olarak kullanılmasına olanak tanımaktadır. Medikal görüntülere göre hastalıkları hızlı ve yüksek başarımda tespit etmek için evrişimsel sinir ağları sıklıkla kullanılmaktadır. Dünya genelinde her yıl milyonlarca kişiye cilt kanseri tanısı konulmakta ve çok sayıda insan bu hastalıktan dolayı hayatını kaybetmektedir. Her hastalıkta olduğu gibi cilt hastalıklarında da erken tanı çok önemlidir. Bu nedenle, cilt hastalıklarının bilgisayar destekli makine öğrenmesi tabanlı algoritmalar kullanılarak yüksek doğrulukla tanımlanması çalışmaları önem kazanmıştır. Bu tez çalışmasında, HAM10000 veri setinin yüksek doğrulukla sınıflandırılması için transfer öğrenme kullanılarak bir yöntem önerilmiştir. Önerilen yöntemde, ImageNet veri seti ile ön eğitilmiş modeller, cilt hastalıkları içeren geniş bir veri seti ile ara eğitimden geçirildikten sonra transfer edilerek HAM10000 veri setindeki cilt lezyonu görüntülerinin sınıflandırılması için kullanılmıştır. Önerilen yöntemin etkinliğini karşılaştırmalı olarak göstermek için, Xception ve DenseNet201 evrişimsel sinir ağı modelleri ayrı ayrı kullanılmıştır. Yapılan deneysel çalışmalarda, HAM10000 veri setindeki görüntülerin sayısı veri artırma (data augmentation) yöntemi ile artırılmıştır. Deneysel çalışmalarda, veri artımı olmadan ve veri artımı yapılarak evrişimsel sinir ağı modelleri eğitilmiştir. Deneysel çalışmalar iki grup olarak organize edilmiştir. İlk grupta, modeller yalnızca ImageNet ağırlıkları kullanılarak HAM10000 veri seti ile eğitilmiş ve sınıflandırma yapılmıştır. Diğer grupta ise yeni bir yöntem önerilmiş ve önerilen yöntemde modeller, yine ImageNet ağırlıkları kullanılarak cilt hastalıkları içeren başka bir veri seti olan BCN20000 ile eğitildikten sonra, HAM10000 veri seti ile eğitilmek ve sınıflandırma yapmak için eğitilen ağın ağırlıkları transfer edilmiştir. Böylece önerilen ara öğrenme ile transfer öğrenme yöntemde yalnızca ImageNet ağırlıklarını kullanmak yerine, BCN20000 veri seti ile güncellenen ağırlıklar kullanılmıştır. Yapılan çalışmada önerilen ara öğrenme ile transfer öğrenme yöntemi, yalnızca ImageNet ağırlıkları transfer edilerek gerçekleştirilen deneylere göre daha iyi sonuçlar vermiştir. Test doğruluğu, kesinlik, duyarlılık ve f1-skoru ölçütlerine göre, veri artırma uygulanmadığında, Xcepiton modelinde %3.2 ila %3.6, DenseNet201 modelinde %3.4 ila %4.1 aralığında daha iyi sonuçlar elde edilmiştir. Veri artırma uygulandığında ise, Xcepiton modelinde %0.8 ila %1.1, DenseNet201 modelinde %1.3 ila %1.5 aralığında daha iyi sonuçlar elde edilmiştir. Çalışmada en iyi sonuçlar, önerilen ara öğrenme ile transfer öğrenme yöntemi ile veri artırma tekniği uygulanarak eğitilmiş Xcepiton evrişimsel sinir ağı modeli ile elde edilmiş ve sırasıyla test doğruluğu, kesinlik, duyarlılık ve f1-skoru ölçütlerine göre %87.9, %87.6, %87.9 ve %87.7 değerleri elde edilmiştir.

Advances in artificial intelligence help doctors and experts in the diagnosis of various diseases, and allow it to be used as medical decision support systems in the early diagnosis of diseases. Convolutional neural networks are frequently used to detect diseases quickly and with high performance according to medical images. Millions of people are diagnosed with skin cancer every year around the world, and many people die from this disease. As in any disease, early diagnosis is very 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. In this thesis, a method is proposed using the transfer learning model to classify the HAM10000 dataset with high accuracy. In the proposed method, pre-trained models with the ImageNet dataset were transferred after interim training with a large dataset containing skin diseases and used for classification of skin lesion images in the HAM10000 dataset. To demonstrate the effectiveness of the proposed method, Xception and DenseNet201 convolutional neural network models are used separately. In the experimental studies, the number of images in the HAM10000 data set was increased by the data augmentation method. In experimental studies, convolutional neural network models were trained both without data augmentation and with data augmentation. Experimental studies were organized in two groups. In the first group, the models were trained and classified with the HAM10000 dataset using only ImageNet weights. In the other group, a new method was proposed and after the models were trained with BCN20000, another data set containing skin diseases, using ImageNet weights, the weights of the trained network were transferred to train and classify with the HAM10000 dataset. Thus, instead of using only ImageNet weights, weights updated with the BCN20000 data set were used in the proposed transfer learning method with intermediate learning. The intermediate learning and transfer learning method proposed in the study gave better results than the experiments in the first group, which were performed by transferring only ImageNet weights. According to the test accuracy, precision, sensitivity, and f1-score criteria, better results were obtained when data augmentation was not applied, ranging from 3.2% to 3.6% in the Xcepiton model and from 3.4% to 4.1% in the DenseNet201 model. When data augmentation was applied, better results were obtained in the range of 0.8% to 1.1% in the Xcepiton model, and between 1.3% and 1.5% in the DenseNet201 model. In the study, the best results were obtained with the Xcepiton convolutional neural network model trained by applying the proposed intermediate learning and transfer learning method and the data augmentation technique, and according to the test accuracy, precision, sensitivity and f1-score criteria, respectively, 87.9%, 87.6%, 87.9% and 87.7% values were obtained.