Dermoskopik Görüntü Sınıflandırmada Temel Veri Artırım Yöntemlerinin Değerlendirilmesi

Abstract

Dermoskopik görüntü sınıflandırması, cilt lezyonlarının tespiti ve teşhisi için hayati önem taşıyan bir süreçtir. Ancak, sınırlı veri ve sınıf dengesizliği gibi faktörler, derin öğrenme modellerinin performansını olumsuz etkileyebilmektedir. Bu zorlukların üstesinden gelmek ve sınıflandırma doğruluğunu artırmak amacıyla veri artırımı giderek daha fazla önem kazanmaktadır. Veri artırımı, mevcut veri kümesini çeşitlendirerek modelin daha genelleyici olmasını sağlayan bir tekniktir. Bu çalışmada, parlaklık, zıtlık, yansımalar, ton ve rastgele kesimler gibi geleneksel veri artırım yöntemleri incelenmiştir. Bu yöntemler, görüntülerdeki ışık, renk ve perspektif gibi özellikleri değiştirerek modelin farklı varyasyonlara karşı daha dayanıklı hale gelmesini amaçlar. Çalışma kapsamında, üç farklı derin öğrenme mimarisi (DenseNet-201, ResNet-152 ve InceptionV3) kullanılarak, veri artırım yöntemlerinin bir arada kullanıldıklarındaki etkinlikleri değerlendirilmiştir. Dermoskopik görüntü sınıflandırmasının başarısı, hem doğru etiketlenmiş hem de geniş bir veri kümesine dayanır. Bu nedenle veri artırımı, modelin daha çeşitli ve gerçekçi örneklerle eğitilmesini sağlayarak sınıflandırma performansını artırabilir. Sonuç olarak, bu çalışma, dermoskopik görüntü sınıflandırmasında veri artırımının önemini vurgulamakta ve farklı veri artırım yöntemlerinin derin öğrenme modelleriyle bir arada kullanılmasının potansiyelini incelemektedir. PH 2 veri kümesi üzerinde gerçekleştirilen deneysel analizler, farklı geleneksel veri artırım yöntemlerinin bir arada kullanılması ile elde edilen topluluk yaklaşımı tabanlı veri artırımı yöntemlerinin, daha yüksek başarım elde edilmesini sağladığını göstermektedir.