Skin lesion classification via hybrid localization-explainability approaches
Hibrit lokalizasyon-açıklanabilirlik yaklaşımları ile deri lezyonu sınıflandırması
- Tez No: 975997
- Danışmanlar: PROF. DR. HÜSEYİN METİN ERTUNÇ
- Tez Türü: Doktora
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Cilt kanseri, dünya genelindeki dermatolojik hastalıkların önemli bir bölümünü oluşturmakta ve çevresel ile yaşam tarzına bağlı faktörlere bağlı olarak görülme sıklığı artmaya devam etmektedir. Geç teşhis, olumsuz klinik sonuçlarla kuvvetli bir şekilde ilişkili olduğundan, doğru, erken ve nesnel tanı araçlarının geliştirilmesi büyük önem arz etmektedir. Ancak, geleneksel dermoskopik değerlendirme yöntemleri bu hastalığa teşhis koyan tıp uzmanları arasında bile çok farklı olup karmaşık lezyon morfolojileriyle baş etmede çoğu zaman yetersiz kalmaktadır. Bu tez, söz konusu temel zorluklara çözüm olarak, dermoskopik görüntülerden çok sınıflı cilt kanseri sınıflandırması amacıyla açıklanabilir, uçtan uca iki derin öğrenme çerçevesi tasarlamakta ve sistematik biçimde sunmaktadır. İlk çerçeve, bölge-ilgi tespiti için YOLOv8 tabanlı bir lezyon yerelleştirme modülünü entegre etmekte, ardından sekiz adet önceden eğitilmiş görüntü dönüştürücü (ViT) ve Konvolüsyonel Sinir Ağları (CNN), hem lezyon-odaklı hem de tam görüntü girdileri üzerinde ince ayarlanmaktadır. Lezyon yerelleştirmenin entegrasyonu, sınıflandırma doğruluğunda yaklaşık %4,0'lık mutlak bir artış sağlamış; ViT+YOLOv8 hibrit modeli HAM10000 veri setinde %93,07 doğruluk elde ederek tüm karşılaştırmalı modelleri geride bırakmıştır. İkinci çerçeve ise DenseNet201, ResNet50V2 ve Vision Transformer modellerinden elde edilen öznitelik temsillerini birleştiren, derin- ve kanal-bazlı altı yenilikçi birleşim mimarisini incelemektedir. Bu modeller tamamlayıcı güçlü yönlerine göre değerlendirilmiş; bazıları yüksek sınıflandırma başarımı (örneğin, FM6 ile %90,57 doğruluk), bazıları ise gelişmiş açıklanabilirlik özelliği sunmuştur. Böylece her iki çerçevede de Grad-CAM ve SHAP tabanlı açıklanabilirlik mekanizmaları kullanılarak klinik doğrulama ve güven artırılmıştır. Genel olarak bu tez çalışması, yerelleştirme ve birleşim stratejilerine dair kapsamlı ve açıklanabilirlik odaklı bir araştırma sunarak, mevcut otomatik cilt kanseri teşhis yaklaşımlarındaki temel sınırlamaları aşan, genellenebilir ve klinik açıdan uygulanabilir güvenilir yapay zekâ sistemlerine katkı sağlamaktadır.
Özet (Çeviri)
Skin cancer constitutes a significant portion of dermatological malignancies globally, with its incidence continuing to rise due to environmental and lifestyle factors. Because delayed diagnosis is strongly associated with adverse clinical outcomes, the development of accurate, early, and objective diagnostic tools is of paramount importance. However, conventional dermoscopic evaluation remains prone to inter-observer variability and often falls short when confronting complex lesion morphologies. This thesis addresses these critical challenges by designing and systematically evaluating two explainable, end-to-end deep learning frameworks for multiclass skin cancer classification from dermoscopic images. The first framework integrates a YOLOv8-based lesion localization module for precise region-of-interest detection, followed by the fine-tuning of eight pretrained vision transformer and convolution-based architectures on both lesion-focused and full-image inputs. The integration of lesion localization resulted in a notable absolute improvement of approximately 4.0% in classification accuracy, with the ViT+YOLOv8 hybrid pipeline achieving 93.07% on the HAM10000 dataset, surpassing all tested baselines. The second framework explores six novel depth-wise and channel-wise fusion architectures that integrate feature representations from DenseNet201, ResNet50V2, and Vision Transformer models. These fusion models are examined for their complementary strengths, with some achieving superior classification performance (e.g., FM6 at 90.57%), while others offer enhanced explainability. Both frameworks incorporate Grad-CAM and SHAP-based interpretability mechanisms to support clinical validation and trust. Overall, this research contributes a comprehensive, explainability-aware investigation into localization and fusion strategies, offering clinically relevant, generalizable AI systems that address key limitations in current automated skin cancer diagnostics and support the development of trustworthy medical decision-support tools.
Benzer Tezler
- Maymun çiçeği lezyonlarının derin öğrenme tabanlı hibrit model ile sınıflandırılması
Classification of monkeypox lesions using a deep learning-based hybrid model
MUSTAFA KEMAL TOPÇU
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR İNAN
- Evaluation of comedogenicity and irritancy potential of some cosmetic ingredients using in silico methods
Komedojenite ve cilt irritasyon potensiyeli olan kozmetik bileşenlerinin in silico methodlar ile değerlendirilmesi
SEBLA ÖZTAN AKTÜRK
Doktora
İngilizce
2023
Farmasötik ToksikolojiYeditepe ÜniversitesiFarmasötik Toksikoloji Ana Bilim Dalı
PROF. DR. HANDE SİPAHİ
- Dermoskopik görüntülerden melanomanın derin evrişimsel sinir ağları ile teşhisi
Diagnosis of melanoma in dermoscopic images with deep convolutional neural networks
ENES AYAN
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİL MURAT ÜNVER
- Periferik vasküler malformasyonlarda embolizasyon ve skleroterapinin etkinliği
Utility of embolization/sclerotheraphy in peripheral vacular malformations
İSMAİL BARIŞ TÜRKBEY
Tıpta Uzmanlık
Türkçe
2009
Radyoloji ve Nükleer TıpHacettepe ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. BARBAROS ERHAN ÇİL
- Derin öğrenmeye dayalı yapay zekâ teknikleri kullanılarak dermoskopik görüntülerden melanom tahminini sağlayan bir web arayüzünün geliştirilmesi
Development of a web interface for estimating melanoma from dermoscopic images using artificial intelligence techniques based on deep learning
ALİ KAPLAN
Yüksek Lisans
Türkçe
2021
Biyoistatistikİnönü ÜniversitesiBiyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMEK GÜLDOĞAN