- Avrupa Bilim ve Teknoloji Dergisi
- Special Issue: 2019 Special Issue
- Classification of Skin Lesions in Dermatoscopic Images with Deep Convolution Network
Classification of Skin Lesions in Dermatoscopic Images with Deep Convolution Network
Authors : Emrah Çevik, Kenan Zengin
Pages : 309-318
Doi:10.31590/ejosat.638247
View : 7 | Download : 4
Publication Date : 2019-10-31
Article Type : Research
Abstract :Bu çalışmada, cilt lezyonu içeren dermoskopik görüntülerin sınıflandırılması problemini çözmek için konvolüsyonel (evrişimsel) sinir ağı ile derin öğrenme temelli bir çözüm sunulmuştur. Klasik makine öğrenme teknikleri ile model tanımlamak hem çok zaman almakta hem de bu model ile veriyi ön işlem yapmadan anlamlı hale getirememektedir. Derin öğrenme sayesinde, uzun yıllar boyunca çözülmesinin zor olduğunu düşündüğümüz problemlerde büyük mesafe katedilmiştir. Derin öğrenme, elimizdeki veriyi bizim tarafımızdan herhangi bir müdahale olmadan kendisi işleyerek sonuca ulaşmaktadır. Deri lezyonunun dermoskopik görüntülerin sınıflandırılması melanositik tümörlerin iyi huylu veya kötü huylu olarak ayırt edilmesi zor bir görevdir. Malign melanom cilt kanserinin en ölümcül şeklidir ve dünyadaki en hızlı gelişen kanserlerden biridir. Erken teşhis edilirse kolayca tedavi edilebilir ve sonuçta melanomun erken teşhisi hayati öneme sahiptir. Dermoskopi melanom ve diğer pigmentli cilt lezyonlarının teşhisinde en önemli araçlardan biri haline gelmiştir. İnsan kararının yanlışlığı, öznelliği ve kötü tekrarlanabilirliği nedeniyle, dermoskopi görüntüsünün otomatik bir tanıma algoritması ile işlenmesi bir ihtiyaç olmuştur. 2017 yılında Muhammed Shadid ve Salman Khan tarafından yapılan uygulama ile 172 adet dermatoskopik görüntünün "benign” ve "malignant” olarak iki sınıfa ayrıştırılmasında Support Vector Machine(SVM) sınıflandırıcısı kullanılmıştır. Veri kümesi üzerinde yapılan deneyler %91 doğruluk hassasiyetine sahiptir. Ancak bizim veri setimizde binlerce imge olması ve yedi adet lezyon sınıfına ayrıştıracak olmamız daha etkin yöntemler aramamızı gerektirmiştir. Melanomların sınıf içi tutarsızlığı, cilt lezyonlarının düşük kontrastı ve dermoskopi görüntülerinde gürültü, saçın varlığı, hava kabarcıkları ve melanom olmayan vakalar arasındaki benzerlik gibi yapay nesneler nedeniyle zorlu bir süreç olarak kabul edilir. Bu problemleri çözmek için, dermoskopik görüntülerde farklı yedi hastalık tipini sınıflandırmak için güçlü bir evrişimsel sinir ağı modeli içeren VGGNET-16 mimarisini önermekteyiz. "HAM10000” (Human Againist Machine) veri seti üzerinde VGGNET-16 mimarisi ile tasarlanan derin ağ modeli eğitilerek sonuçlar gözlemlenmiştir.Akademik makine öğrenmesi için bir eğitim seti olarak yayınlanan ve ISIC arşivi aracılığıyla kamuya açık olan veri seti 10015 adet dermatoskopik görüntüden oluşmaktadır. Toplam yedi adet lezyon sınıfının bulunduğu veri setinin eğitim ve test alanı olarak ayrıştırılmasında K-Fold Cross Validation tekniğinden faydalanılmıştır. Eğitilmiş modelin test aşamasında sınıfların onaylama doğruluğu%85,62olarak elde edilmiştir.Keywords : Derin Öğrenme, ESA, Konvolüsyon, Havuzlama, VGGNET, K-Fold