Cilt Lezyonlarının Sınıflandırılmasında Derin Öğrenme Tabanlı Bir Yöntem
Author:
Open Access
- 25 June 2021
- journal article
- research article
- Published by Bingol Universitesi in Türk Doğa ve Fen Dergisi
- Vol. 10 (1) , 30-36
Abstract
Cilt kanseri kötü huylu tümörlerin kontrolsüz çoğalması ile başlar. Dünya çapında sık karşılaşılan bir kanser türüdür. Uzman hekimler tarafından çıplak gözle incelemesi ve teşhis konulması güçtür. Bu yüzden bilgisayar destekli teşhis sistemleri hekimlere tanı koymada yardımcı olabilir. Bu sistemler günümüzde yapay zekanın bir türü olan derin sinir ağlarını yaygın olarak kullanır. Pek çok derin sinir ağı içeren çalışmada veri girişi olarak medikal görüntüler kullanılır. Ağ mimarisine bağlı olarak bu sistemler öznitelikleri kendi katmanlarında çıkarırlar. Bu çalışmada VGG16 ön eğitimli derin sinir ağı kullanılarak ilk önce ağ katmanlarından görüntülere ilişkin öznitelikler elde edilmiştir. Daha sonra yüksek miktarda veri içeren bu özniteliklerin boyutu azaltılmıştır. Böylece sınıflandırmada en iyi başarımı sağlayacak öznitelikler elde edilmiştir. Veri artırma algoritması kullanılarak elde edilen nümerik veri artırılmış ve CNN tür derin sinir ağında %96 sınıflandırma doğruluğu ve %100 AUC başarımı elde edilmiştir.Keywords
This publication has 18 references indexed in Scilit:
- Computer-aided detection of COVID-19 from X-ray images using multi-CNN and Bayesnet classifierBiocybernetics and Biomedical Engineering, 2020
- GP-CNN-DTEL: Global-Part CNN Model With Data-Transformed Ensemble Learning for Skin Lesion ClassificationIEEE Journal of Biomedical and Health Informatics, 2020
- Deep convolutional neural network based medical image classification for disease diagnosisJournal of Big Data, 2019
- Dermoscopy for melanoma detection and triage in primary care: a systematic reviewBMJ Open, 2019
- Skin Lesion Analysis By Multi-Target Deep Neural Networks2018
- Skin lesion analysis toward melanoma detection: A challenge at the 2017 International symposium on biomedical imaging (ISBI), hosted by the international skin imaging collaboration (ISIC)2018
- A multi-task framework with feature passing module for skin lesion classification and segmentation2018
- DermaKNet: Incorporating the Knowledge of Dermatologists to Convolutional Neural Networks for Skin Lesion DiagnosisIEEE Journal of Biomedical and Health Informatics, 2018
- Multi-Channel-ResNet: An integration framework towards skin lesion analysisInformatics in Medicine Unlocked, 2018
- A survey on deep learning in medical image analysisMedical Image Analysis, 2017