Cilt Kanseri Görüntü Sınıflandırması için Görüntü Ön İşlemenin Evrişimsel Sinir Ağları Performansı Üzerindeki Etkileri

Yıl 2022, Cilt: 38 Sayı: 2, 190 - 200, 23.08.2022

Beyhan Adanur Dedeturk , Kasım Taşdemir , Burcu Bakir-gungor

Öz

Cilt kanseri, dünya çapında yaygın olarak karşılaşılan kanser türleri arasındadır. Günümüzde pek çok kanser vakasının yanlış ya da geç teşhisi sonucunda, hasta ölümleri de dahil olmak üzere ciddi problemler yaşanmaktadır. Bu çalışmada, evrişimli sinir ağlarını kullanarak cilt kanseri sınıflandırması problemini ele almaktayız. Çalışmadaki temel amacımız farklı öğrenme mimarilerini karşılaştırmak yerine, görüntüleri farklı ön işlemlere tabi tutup, bu işlemin kullanılan mimari performansına etkisini incelemektir. Bu amaç doğrultusunda, ISIC 2018 Cilt Görüntü Analizi Yarışması’na ait veri seti kullanılarak, iki farklı görüntü ön işleme yöntem dizisi ResNet50 mimarisi için uygulanmıştır. Bunlardan birincisinde sırasıyla ikili ve otsu eşikleme, CLAHE dönüşümü uygulanırken, ikincisinde morfolojik filtreleme, renk normalizasyonu ve dolgu işlemleri uygulanmıştır. F1 Puanı başta olmak üzere farklı performans metrikleri baz alındığında, cilt kanseri görüntüleri üzerinde ikinci ön işleme yöntem dizisinin performans iyileştirmesi yapabildiği gösterilmiştir.

Anahtar Kelimeler

Cilt Kanseri, Sınıflandırma, Ön İşleme, Evrişimsel Sinir Ağları

Kaynakça

• Chante Karimkhani, Adele C Green, Tamar Nijsten, MA Weinstock, ` Robert P Dellavalle, Morteza Naghavi, and C Fitzmaurice. The global burden of melanoma: results from the global burden of disease study 2015. British Journal of Dermatology, 177(1):134–140, 2017.
• Andre Esteva, Brett Kuprel, Roberto A Novoa, Justin Ko, Susan M Swetter, Helen M Blau, and Sebastian Thrun. Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639):115, 2017.
• D. Gutman et al., "Skin lesion analysis toward melanoma detection: A challenge at the international symposium on biomedical imaging (ISBI) 2016, hosted by the international skin imaging collaboration (ISIC)," 2016.
• A. Esteva, B. Kuprel, R. A. Novoa, J. Ko, S. M. Swetter, H. M. Blau, and S. Thrun. Dermatologistlevel classification of skin cancer with deep neural networks. nature, 542(7639):115–118, 2017.
• L. Xu, J. S. Ren, C. Liu, and J. Jia. Deep convolutional neural network for image deconvolution. In Advances in neural information processing systems, pages 1790–1798, 2014.
• Tran, K. A., Kondrashova, O., Bradley, A., Williams, E. D., Pearson, J. V., & Waddell, N. (2021). Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Medicine, 13(1), 1-17.
• A. R. Lopez, X. Giro-i Nieto, J. Burdick, and O. Marques. Skin lesion classification from dermoscopic images using deep learning techniques. In 2017 13th IASTED international conference on biomedical engineering (BioMed), pages 49–54. IEEE, 2017.
• 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.
• T. J. Brinker, A. Hekler, J. S. Utikal, N. Grabe, D. Schadendorf, J. Klode, C. Berking, T. Steeb, A. H. Enk, and C. von Kalle. Skin cancer classification using convolutional neural networks: systematic review. Journal of medical Internet research, 20(10):e11936, 2018.
• A. Rezvantalab, H. Safigholi, and S. Karimijeshni. Dermatologist level dermoscopy skin cancer classification using different deep learning convolutional neural networks algorithms. arXiv preprint arXiv:1810.10348, 2018.
• N. C. Codella, Q.-B. Nguyen, S. Pankanti, D. A. Gutman, B. Helba, A. C. Halpern, and J. R. Smith. Deep learning ensembles for melanoma recognition in dermoscopy images. IBM Journal of Research and Development, 61(4/5):5–1, 2017.
• Hussain, M., Bird, J. J., & Faria, D. R. (2018, September). A study on cnn transfer learning for image classification. In UK Workshop on computational Intelligence (pp. 191-202). Springer, Cham.
• Purnama IKE, Hernanda AK, Ratna AAP, Nurtanio I, Hidayati AN, Purnomo MH, Rachmadi RF. 2019. Disease classification based on dermoscopic skin images using convolutional neural network in teledermatology system. In: Proceedings of International Conference on Computer Engineering, Network, and Intelligent Multimedia (CENIM), November 19 - 20, 2019, Surabaya, Cava, pp. 1-5.
• R. J. Hemalatha, B. Babu, A. J. A. Dhivya, T. R. Thamizhvani, J. E. Joseph and R. Chandrasekaran, "A comparison of filtering and enhancement methods in malignant melanoma images," 2017 IEEE International Conference on Power, Control, Signals and Instrumentation Engineering (ICPCSI), 2017, pp. 2704-2710, doi: 10.1109/ICPCSI.2017.8392209.
• Guruprasad, P. (2020, June). Overview of different thresholding methods in image processing. In TEQIP Sponsored 3rd National Conference on ETACC.
• Sahu, S., Singh, A. K., Ghrera, S. P., & Elhoseny, M. (2019). An approach for de-noising and contrast enhancement of retinal fundus image using CLAHE. Optics & Laser Technology, 110, 87-98.
• Ezhilarasan, K., Praveenkumar, S., Somasundaram, K., Kalaiselvi, T., Magesh, S., Kiruthika, S., & Jeevarekha, A. (2021). Automatic brain extraction from MRI of human head scans using Helmholtz free energy principle and morphological operations. Biomedical Signal Processing and Control, 64, 102270.
• Sagar, A., & Dheeba, J. (2020). Convolutional neural networks for classifying melanoma images. bioRxiv.
• Agarwal, N., Sondhi, A., Chopra, K., & Singh, G. (2021). Transfer learning: Survey and classification. In Smart Innovations in Communication and Computational Sciences (pp. 145-155). Springer, Singapore.
• “cs-229, cheatsheet machine learning tips and tricks”, Standford University. https://stanford.edu/~shervine/teaching/cs-229/cheatsheet-machine-learning-tips-and-tricks .
• “Understanding Confusion Matrix”. Sarang Narkhede. May 9, 2018. https://towardsdatascience.com/understanding-confusion-matrix-a9ad42dcfd62 .
• Hossin, M., & Sulaiman, M. N. (2015). A review on evaluation metrics for data classification evaluations. International journal of data mining & knowledge management process, 5(2), 1.