Akademik Veri Yönetim Sistemi
2024 Innovations in Intelligent Systems and Applications Conference (ASYU), Ankara, Türkiye, 16 - 18 Ekim 2024, ss.1-6, (Tam Metin Bildiri)
Deri lezyonları birçok insanda görülen yaygın bir hastalıktır. Tıbbi literatüre göre en tehlikeli türü malign melanom türü olan deri kanseridir. Dermoskopi alanında çeşitli deri lezyonlarını segmente etmek ve sınıflandırmak, özellikle erken teşhis açısından büyük önem arz etmektedir. Kanserli hücreleri tespit etmek ve lezyonun iyi huylu veya kötü huylu olduğuna dair tahminde bulunmak için bilgisayar destekli sistemler çok iyi sonuç verebilmektedir. Bu çalışmanın temel amacı, deri lezyonu görüntülerinden hastalık tespit etmek için Derin Öğrenme modeli olan Evrişimli Sinir Ağlarının (ESA) kullanımının yüksek doğrulukta başarı ile sonuçlandığını göstermektir. Evrişimli Sinir Ağı mimarileri olan önceden eğitilmiş EfficientNetB1, ResNet101, ConvNeXtBase, DenseNet201, NasNetLarge modelleri eğitim için kullanılmıştır. Bu çalışmada temelde 2 farklı veri seti ile çalışılmıştır. İki sınıflı ISIC-2016 veri seti ve sekiz sınıflı ISIC-2019 veri seti üzerinde deneyler gerçekleştirilmiş ve en yüksek başarı ISIC-2019 veri seti kullanılarak \%83 test başarısı elde edilmiştir. Ayrıca 2 veri seti ile makine öğrenmesi modelleri üzerinde de deneyler yapılmış ve en yüksek başarı ISIC-2016 veri seti kullanılarak KNN modelinde \%80 başarı elde edilerek sınıflandırma başarıları karşılaştırılmıştır.
Skin lesions are a common disease seen in many people. According to medical literature, the most dangerous type is skin cancer, which is malignant melanoma. In the field of dermoscopy, segmenting and classifying various skin lesions is of great importance, especially for early diagnosis. Computer-aided systems can give very good results in detecting cancerous cells and predicting whether the lesion is benign or malignant. The main purpose of this study is to show that the use of Convolutional Neural Networks (CNN), which is a Deep Learning model, results in high accuracy success in detecting diseases from skin lesion images. Convolutional Neural Network architectures, pre-trained EfficientNetB1, ResNet101, ConvNeXtBase, DenseNet201, NasNetLarge models were used for training. In this study, 2 different data sets were used. Experiments were performed on the two-class ISIC-2016 data set and the eight-class ISIC-2019 data set, and the highest accuracy was achieved with 83\% test accuracy using the ISIC-2019 data set. In addition, experiments were conducted on machine learning models with 2 data sets and the classification successes were compared by achieving 80\% accuracy in the KNN model using the highest accuracy ISIC-2016 data set.