Derin öğrenme yöntemleri kullanarak cilt kanserinin tespiti ve sınıflandırılması
Detection and classification of skin cancer using deep learningmethods
- Tez No: 989067
- Danışmanlar: الأستاذ الدكتور MAHMUT HEKİM
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Melanom, bazal hücreli karsinom ve diğer cilt kanseri türleri de dahil olmak üzere cilt lezyonları, insidans oranlarının giderek artmasıyla önemli bir küresel sağlık tehdidi oluşturmaktadır (Dünya Sağlık Örgütü (WHO) raporu, 2020). Cilt lezyonlarının, özellikle melanoma'nın erken teşhisi, etkili tedavi için çok önemlidir ve hastanın hayatta kalma şansını önemli ölçüde artırabilir. Mevcut teşhis teknikleri, dermatologlar tarafından yapılan görsel muayeneye ve ardından genellikle maliyetli, zaman alıcı ve insan hatasına maruz kalan invaziv biyopsi prosedürlerine büyük ölçüde dayanmaktadır. Bu durum, erken teşhiste yardımcı olabilen, daha hızlı ve invaziv olmayan bir alternatif sunan otomatik sistemlere olan talebi yaratmaktadır (Codella et al., 2018). Gerçekleştirilecek bu tez çalışmasında, MATLAB ortamında, en son görüntü işleme ve derin öğrenme teknikleri kullanılarak cilt kanserinin tespitine ve sınıflandırmasına odaklanılacaktır. Cilt lezyonlarının incelenmesinde yaygın olarak kullanılan dermatoskopik görüntüleri işlenerek lezyonların iyi huylu ve kötü huylu kategorilere sınıflandırılacaktır. Bu araştırmanın yeniliği, segmentasyon ve kenar algılama gibi klasik görüntü işleme tekniklerinin, evrişimli sinir ağları (CNN'ler) ve transfer öğrenme modelleri gibi modern derin öğrenme mimarileriyle birleştirilmesinde yatmaktadır. Bu yaklaşımlar, doğru sınıflandırma için çok önemli olan lezyon şekli, dokusu, renk değişimi ve asimetri gibi dermatoskopik görüntülerden kritik özellikleri çıkarmak için optimize edilecektir. Özellikle, CNN tabanlı modeller, binlerce etiketli cilt lezyonu görüntüsünü içeren ISIC arşivi gibi büyük ölçekli, kamuya açık veri kümeleri üzerinde eğitilecektir (Tschandl et al., 2018). Güncel literatürde, çok sayıda çalışma derin öğrenme modelleri kullanılarak cilt lezyonu sınıflandırmasına odaklanmıştır) Esteva et al., 2017). Ancak, bu modellerin çoğu gerçek zamanlı uygulama için hesaplama açısından çok pahalıdır veya sonuçların yorumlanabilirliğini artırabilecek geleneksel görüntü işleme tekniklerinin entegrasyonundan yoksundur (Codellaet al., 2015(. Bu tez çalışması, eşikleme ve morfolojik işlemler gibi klasik yöntemleri derin öğrenme çerçeveleriyle entegre ederek bu boşluğu kapatmayı amaçlamaktadır. Bu kombinasyon yalnızca tespiti doğruluğunu artırmakla kalmaz, aynı zamanda lezyon sınırlarının net bir görsel temsilini sağlayarak sistemi klinisyenler için daha açıklanabilir ve yorumlanabilir hale getirecektir) Esteva et al., 2017(. Bu tezdeki bir diğer önemli yenilik, doku analizi ve renk uzayı dönüşümleri gibi özellik tabanlı tekniklerin kullanılması olacaktır. Bu yöntemlerin, derin öğrenmeyle entegre edildiğinde, lezyon özelliklerine ilişkin tamamlayıcı içgörüler sağlaması ve daha yüksek sınıflandırma doğruluğuna yol açması beklenmektedir. Ayrıca, Gabor filtreleri, yönlendirilmiş gradyanların histogramı (HOG) ve yerel ikili desenler (LBP) gibi özellik çıkarma teknikleri, lezyon yapısındaki ince taneli ayrıntıları yakalamak için kullanılacak ve tespit sisteminin sağlamlığına katkıda bulunacaktır (Esteva et al., 2017). Ayrıca, sistem doğruluk, kesinlik, geri çağırma, F1 puanı ve alıcı çalışma karakteristiği eğrisi (ROC) altındaki alan (AUC) dahil olmak üzere çeşitli performans ölçümleri kullanılarak kapsamlı bir doğrulamadan geçecektir (Gonzalez, R. C., & Woods, R. E. 2017). Bu metrikler, sistemi mevcut çözümlerle kıyaslamak ve gerçek dünya klinik senaryolarında etkinliğini ve güvenilirliğini vurgulamak için kullanılacaktır. Amaç, mevcut en son teknolojiyi aşmaktır hem doğruluk hem de hesaplama verimliliği açısından modeller, klinik ortamlarda uygulanabilen uygulanabilir bir araç sağlar. Metodolojik bir bakış açısından, bu tez, diğer tıbbi görüntü analizi görevleri için uyarlanabilen, otomatik cilt lezyonu tespiti ve sınıflandırması için verimli bir boru hattı önererek alana katkıda bulunacaktır (Haenssle et al., 2018). Sistem, yeni görüntü işleme teknikleri ve makine öğrenimi algoritmaları kullanılabilir hale geldikçe gelecekteki değişikliklere ve iyileştirmelere olanak tanıyan ölçeklenebilir ve esnek olacak şekilde tasarlanacaktır. MATLAB kullanımı ayrıca sistemin, MATLAB'ın tıbbi görüntüleme uygulamaları için halihazırda yaygın olarak kullanıldığı klinik ortamlarda kolayca uygulanabilmesini sağlar (Codella et al.,2018). Araştırma, mevcut literatürdeki önemli bir boşluğu ele almaktadır: dermatologların daha hızlı ve daha doğru teşhisler koymalarına yardımcı olabilecek entegre, açıklanabilir ve hesaplama açısından verimli bir cilt lezyonu tespit sisteminin olmaması. Geleneksel ve derin öğrenme yaklaşımlarını birleştirerek, bu tez yalnızca lezyonları tespit etmekle kalmayıp aynı zamanda kötü huylu lezyonları iyi huylu lezyonlardan ayıran temel özellikleri vurgulayan ayrıntılı görsel çıktılar sağlayan yeni bir çözüm sunacaktır. Tespit doğruluğu ve yorumlanabilirliğe yönelik bu ikili odak, bu çalışmayı önceki çalışmalardan ayıran durumdur (Litjens et al., 2017).
Özet (Çeviri)
Skin lesions, including melanoma, basal cell carcinoma, and other types of skin cancer, pose a significant global health threat with increasing incidence rates (World Health Organization (WHO) report, 2020). Early diagnosis of skin lesions, especially melanoma, is crucial for effective treatment and can significantly increase the patient's chance of survival. Current diagnostic techniques rely heavily on visual examination by dermatologists followed by invasive biopsy procedures, which are often costly, time-consuming, and subject to human error. This creates a demand for automated systems that can provide a faster, non-invasive alternative that can aid in early diagnosis (Codella et al., 2018). This thesis will focus on the detection and classification of skin cancer using the latest image processing and deep learning techniques in the MATLAB environment. Dermatoscopic images, which are widely used in the examination of skin lesions, will be processed and the lesions will be classified into benign and malignant categories. The novelty of this research lies in combining classical image processing techniques such as segmentation and edge detection with modern deep learning architectures such as convolutional neural networks (CNNs) and transfer learning models. These approaches will be optimized to extract critical features from dermatoscopic images such as lesion shape, texture, color change, and asymmetry, which are crucial for accurate classification. In particular, CNN-based models will be trained on large-scale, publicly available datasets such as the ISIC archive containing thousands of labeled skin lesion images (Tschandl et al., 2018). In the current literature, a large number of studies have focused on skin lesion classification using deep learning models (Esteva et al., 2017). However, most of these models are either too computationally expensive for real-time implementation or lack the integration of traditional image processing techniques that could improve the interpretability of the results (Codellaet al., 2015). This thesis aims to bridge this gap by integrating classical methods such as thresholding and morphological operations with deep learning frameworks. This combination will not only increase the detection accuracy but also make the system more explainable and interpretable for clinicians by providing a clear visual representation of the lesion boundaries) Esteva et al., 2017. Another important innovation in this thesis will be the use of feature-based techniques such as texture analysis and color space transformations. These methods, when integrated with deep learning, are expected to provide complementary insights into lesion features and lead to higher classification accuracy. Furthermore, feature extraction techniques such as Gabor filters, histogram of oriented gradients (HOG), and local binary patterns (LBP) will be used to capture fine-grained details in the lesion structure and contribute to the robustness of the detection system (Esteva et al., 2017). Furthermore, the system will undergo extensive validation using various performance metrics including accuracy, precision, recall, F1 score, and area under the receiver operating characteristic curve (ROC) (Gonzalez, R. C., & Woods, R. E. 2017). These metrics will be used to benchmark the system against existing solutions and highlight its effectiveness and reliability in real-world clinical scenarios. The aim is to surpass current state-of-the-art models in terms of both accuracy and computational efficiency, providing a viable tool that can be applied in clinical settings. From a methodological perspective, this thesis will contribute to the field by proposing an efficient pipeline for automatic skin lesion detection and classification, which can be adapted for other medical image analysis tasks (Haenssle et al., 2018). The system will be designed to be scalable and flexible, allowing for future modifications and improvements as new image processing techniques and machine learning algorithms become available. The use of MATLAB also allows the system to be easily implemented in clinical settings, where MATLAB is already widely used for medical imaging applications (Codella et al., 2018). The research addresses a significant gap in the existing literature: the lack of an integrated, explainable, and computationally efficient skin lesion detection system that can help dermatologists make faster and more accurate diagnoses. By combining traditional and deep learning approaches, this thesis will present a new solution that not only detects lesions but also provides detailed visual outputs that highlight key features that distinguish malignant lesions from benign lesions. This dual focus on detection accuracy and interpretability is what sets this work apart from previous studies (Litjens et al., 2017).
Benzer Tezler
- Phyton üzerinden derin öğrenme algoritmaları kullanılarak deri görüntüsünden cilt hastalıklarının tespit edilmesi
Detection of skin diseases from skin image by using deep learning algorithms in python
KAAN ONUR KOÇ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiBolu Abant İzzet Baysal ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. KEMAL POLAT
- 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
- Skin lesion classification with machine learning
Makine öğrenmesi ile cilt lezyonu sınıflandırması
ESRA SENDEL
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- Skin cancer detection and classification from dermatoscopic images using deep learning methods
Derin öğrenme yöntemleri kullanarak dermatoskopik görüntülerden otomatik cilt kanseri tespiti ve sınıflandırılması
SERDAR KALAYCI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT YILMAZ
- Skın cancer detectıon and classıfıcatıon usıng deep learnıng
Derin öğrenme kullanilarak cilt kanserinin tespiti ve siniflandirilmasi
ALZAHRAA YAHYA HAIDER HAIDER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GALİP CANSEVER