Cilt kanseri tespitinde evrişimsel sinir ağları mimarilerinin karşılaştırılması

Abstract

Cilt kanseri dünya genelinde en sık görülen kanser türleri arasındadır. En kötü huylu olan melanom cilt kanseri, az görülmesine rağmen ölüm oranı yüksektir. Cilt kanseri tespiti için dermatologlar tarafından kullanılan genel yöntem dermoskopi taraması olmakla birlikte kesin sonuç biyopsi ile elde edilmektedir. Cilt kanseri erken tespit edildiğinde hastalık büyük ölçüde tedavi edilebilmektedir. Bu çalışmada, gereksiz biyopsi işlemlerini azaltmak ve cilt kanserinin erken tespitini hızlandırmak için, bilgisayar destekli tanı (BDT) sistemi önerilmiştir. Önerilen yöntemde dermoskopi görüntülerinde bulunan lezyon bölgesinin tespitini zorlaştıran kıl ve benzeri gürültüler morfolojik işlemlerle ve Gauss bulanıklığı yöntemi ile ortadan kaldırılmıştır. Lezyon bögesinin tespiti ve ayırıcı özelliklerinin elde edilebilmesi için Otsu eşikleme yöntemi ile görüntülerin segmentasyon maskeleri çıkarılmıştır. Kontur bulma yöntemleri ile maskede bulunan lezyon bölgesi koordinatları tespit edilerek ilgili bölge görüntüden kırpılmıştır. Kırpılan görüntülerin tümü 224x224 boyutuna yeniden ölçeklendirilmiştir. Çalışmada, veri setinde bulunan orjinal görüntüler ve önişlemlerden geçirilen görüntüler kullanılarak 3 farklı sınıflandırma görevi gerçekleştirilmiştir. Tüm sınıflandırma görevlerinde, özellik çıkarımı ve sınıflandırma için 6 farklı evrişimsel sinir ağı (CNN) mimarisi kullanılmıştır. Kötü huylu melanomların iyi huylu tüm cilt lezyonlarından ayrılması için gerçekleştirilen birinci görevde test kümesi üzerinde DenseNet-121 mimarisi ile %92 doğruluk, %91 AUC, %88 precision, %74 recall ve %80 F-Score değeri elde edilmiştir. Tüm kötü huylu cilt lezyonlarının iyi huylu lezyonlardan ayrılması için gerçekleştirilen ikinci sınıflandırma görevinde test kümesi üzerinde ResNet-152 mimarisi ile %89 doğruluk, %91 AUC, %85 precision, %81 recall ve %83 F-Score değeri elde edilmiştir. Tüm cilt lezyonlarının kendi sınıfına ayrılması için gerçekleştirilen üçüncü sınıflandırma görevinde test kümesi üzerinde ResNet-152 mimarisi ile %84 doğruluk, %78 precision, %77 recall ve %78 F-Score değeri elde edilmiştir. Tüm sınıflandırma görevlerinde ön-işlemli görüntüler ile orjinal görüntülerin sınıflandırma sonuçları karşılaştırmalı olarak verilmiştir. Yapılan çalışmada elde edilen sonuçlar, önerilen yöntemin cilt kanseri tespitinde istenilen düzeyde başarımı verdiğini göstermektedir.

Skin cancer is among the most common types of cancer worldwide. Although the most malignant melanoma skin cancer is rare, the mortality rate is very high. Although the common method used by dermatologists for the detection of skin cancer is dermoscopy screening, the final result is obtained by biopsy. When skin cancer is detected early, the disease is largely curable. In this study, a computerassisted diagnosis (CBT) system is proposed to reduce unnecessary biopsy procedures and accelerate the early detection of skin cancer. In the proposed method, hair and similar noises that make it difficult to identify the lesion area in dermoscopy images were removed by morphological operations and Gaussian blur method. In order to identify the lesion area and obtain its distinctive features, the segmentation masks of the images were removed by the Otsu threshold method. The coordinates of the lesion area on the mask were determined using the contour finding methods, and the relevant region was clipped from the image. All the cropped images are rescaled to 224x224. In the study, 3 different classification tasks were carried out using the original images in the data set and images that were preprocessed. 6 different convolutional neural network (CNN) architectures are used for feature extraction and classification in all classification tasks. In the first task performed to differentiate malignant melanomas from all benign skin lesions, 92% accuracy, 91% AUC, 88% precision, 74% recall and 80% F-Score values were obtained on the test set with DenseNet-121 architecture. In the second classification task performed to distinguish all malignant skin lesions from benign lesions, 89% accuracy, 91% AUC, 85% precision, 81% recall and 83% F-Score values were obtained on the test set with the ResNet-152 architecture. In the third classification task performed to classify all skin lesions into their own class, 84% accuracy, 78% precision, 77% recall and 78% F-Score values were achieved on the test set with the ResNet-152 architecture. In all classification tasks, the classification results of preprocessed images and the original images are given comparatively. The results obtained in the study show that the proposed method gives the desired level of performance in the detection of skin cancer.