Derin Öğrenme Tabanlı Melanoma Tespiti: Karşılaştırmalı Model Analizi
Abstract views: 0
/ 
PDF downloads: 0
Keywords:
Melanoma Tespiti, AlexNet, EfficientNet, ResNet50, Denetimli SınıflandırmaAbstract
Cilt kanseri, cilt hücrelerinin kontrolsüz bir biçimde büyümesi ile meydana gelen bir kanser
biçimidir. Melanom, bu kanser türünün en nadir görülen fakat en çok ölüme sebep olan türüdür. Bu
çalışmada, melanoma tespiti amacıyla dermoskopi görüntülerini kullanarak bir sınıflandırma modeli
geliştirilmiştir. Benign (iyi huylu) ve malign (kötü huylu) olarak etiketlenmiş 10.000 deri üzeri iz
fotoğrafından oluşan bir veri seti kullanılarak, deri üzerinde bulunan izlerin kötü huylu melanoma cilt
kanseri mi yoksa iyi huylu mu olduğunu bulma amacıyla bir sınıflandırma modeli geliştirilmiştir.
Bu çalışmada, üç farklı derin öğrenme mimarisi (AlexNet, EfficientNet ve ResNet50) kullanılarak
melanoma tespiti için karşılaştırmalı bir analiz gerçekleştirilmiştir. Modellerin genelleme yeteneğinin
artması, doğruluk oranının yükselmesi ve aşırı öğrenmeyi engellemek için çeşitli veri artırma yöntemleri
ve görüntü zenginleştirme yöntemleri kullanılmıştır. Bu yöntemler modellerin farklı görüntülerle bile daha
etkili performans göstermesini sağlamıştır. Bu çalışmada elde edilen Out-of-Fold (OOF) ROC-AUC
skorları 0.952(AlexNet), 0.973 (EfficientNet) ve 0.963 (ResNet50) olarak hesaplanmıştır. Bu değerler,
modellerin genel performansını ve genelleme yeteneğini doğrulamaktadır. Modellerin doğrulama veri seti
üzerindeki doğruluk oranı maksimum %97.3 olarak ölçülmüş ve bu da modellerin yüksek bir doğruluk
oranına ulaştığını göstermektedir.
Sonuç olarak, bu araştırma, yapay zekâ ile kanser teşhisi gibi kritik alanlardaki başarısını göstermektedir.
Çalışmanın temel başarı unsurlarından biri olarak; transfer öğrenme yöntemi ile büyük veri setlerinde
eğitilmiş modellerin daha küçük ölçekli medikal veri kümelerine başarıyla uyum sağlayabilmesi olarak
belirtilebilir. Bu güncel literatür karşılaştırması, çalışmamızın mevcut en iyi uygulamalarla rekabet edebilir
ve bazı durumlarda daha iyi sonuçlar elde edebildiğini göstermektedir. Özellikle EfficientNet modelimizin
performansı, literatürdeki benzer çalışmaların literatürdeki bazı çalışmaların önüne geçmiştir.
Downloads
References
Berikol, G. B., Yildiz, Ö., & Öztürk, I. (2016). Diagnosis of acute coronary syndrome with a support vector machine. Journal of Medical Systems, 40(4), 84. https://doi.org/10.1007/s10916-016-0432-6
Brinker, T. J., Hekler, A., Enk, A. H., Berking, C., Haferkamp, S., Hauschild, A., ... & von Kalle, C. (2019). Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task. European Journal of Cancer, 113, 47–54. https://doi.org/10.1016/j.ejca.2019.04.001
Codella, N. C. F., Nguyen, Q. B., Pankanti, S., & Smith, J. R. (2015). Deep learning, sparse coding, and SVM for melanoma recognition in dermoscopy images. In Lecture Notes in Computer Science (Vol. 9352). Springer, Cham. https://doi.org/10.1007/978-3-319-24574-4_31
Dorj, U. O., Lee, K. K., Choi, J. Y., & Lee, M. (2018). The skin cancer classification using deep convolutional neural network. Multimedia Tools and Applications, 77(8), 9909–9924. https://doi.org/10.1007/s11042-017-5445-8
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115–118. https://doi.org/10.1038/nature21056
Haenssle, H. A., Fink, C., Schneiderbauer, R., Toberer, F., Buhl, T., Blum, A., ... & Thomas, L. (2018). Man against machine: Diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Annals of Oncology, 29(8), 1836–1842. https://doi.org/10.1093/annonc/mdy166
Han, S. S., Kim, M. S., Lim, W., Park, G. H., Park, I., & Chang, S. E. (2021). Artificial intelligence-based classification of melanoma: A systematic review. Journal of Clinical Medicine, 10(8), 1704. https://doi.org/10.3390/jcm10081704
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 770–778). https://doi.org/10.1109/CVPR.2016.90
Howard, A., Sandler, M., Chu, G., Chen, L. C., Chen, B., Tan, M., ... & Le, Q. V. (2019). Searching for MobileNetV3. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 1314–1324). https://doi.org/10.1109/ICCV.2019.00140
Kaggle. (2024). SIIM-ISIC Melanoma Classification. Retrieved from https://www.kaggle.com/competitions/siim-isic-melanoma-classification
Kononenko, I. (2001). Machine learning for medical diagnosis: History, state of the art and perspective. Artificial Intelligence in Medicine, 23(1), 89–109. https://doi.org/10.1016/S0933-3657(01)00077-X
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105. (DOI mevcut değil - NIPS konferans bildirisi)
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Liu, Y., Jain, A., Eng, C., Way, D. H., Lee, K., Bui, P., ... & Kohli, N. (2020). A deep learning system for differential diagnosis of skin diseases. Nature Medicine, 26(6), 900–908. https://doi.org/10.1038/s41591-020-0842-3
Matsunaga, K., Hamada, A., Minagawa, A., & Koga, H. (2017). Image classification of melanoma, nevus and seborrheic keratosis by deep neural network ensemble. arXiv preprint arXiv:1703.03108. (DOI mevcut değil - arXiv preprint)
Memorial Tıp Yayın Kurulu. (2024, 13 Kasım). Cilt (Deri) Kanseri Nedir? Belirtileri ve Tedavi Yöntemleri. Retrieved from https://www.memorial.com.tr/hastaliklar/cilt-deri-kanseri-belirtileri-tedavisi-ve-korunma-yontemleri
Tan, M., & Le, Q. V. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. In Proceedings of the International Conference on Machine Learning (ICML) (pp. 6105–6114). https://proceedings.mlr.press/v97/tan19a.html (DOI mevcut değil - ICML konferans bildirisi)
Tschandl, P., Codella, N., Akay, B. N., Argenziano, G., Braun, R. P., Cabo, H., ... & Kittler, H. (2019). Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification. The Lancet Oncology, 20(7), 938–947. https://doi.org/10.1016/S1470-2045(19)30333-X
Zhang, J., Xie, Y., Xia, Y., & Shen, C. (2019). Attention residual learning for skin lesion classification. IEEE Transactions on Medical Imaging, 38(9), 2092–2103. https://doi.org/10.1109/TMI.2019.2893944
