Classification of Skin Lesion Images Using Feature Selection Algorithm in Pre-Trained Convolutional Neural Network Models

Ön Eğitimli Evrişimsel Sinir Ağı Modellerinde Öznitelik Seçim Algoritmasını Kullanarak Cilt lezyon görüntülerinin

Abstract

As stated by the World Health Organization, the occurrence of skin cancer has been increasing in recent years. Between 2 and 3 million non-melanoma skin cancers and at least 132.000 malignant skin cancers occur worldwide each year. Appropriate automatic diagnosis of skin lesions and melanoma recognition can greatly improve the early detection of melanomas. Early diagnosis in skin cancer ensures that patients have the correct diagnosis and treatment. In this study, deep features were extracted from skin lesion images to diagnose whether skin cancer is malignant or not, using cubic-type Support Vector Machine (SVM) classifier and pre-trained Convolutional Neural Network (CNN) based AlexNet and ResNet50 deep architectures, and then combined. Then, effective and distinctive features were selected from these deep features with the ReliefF algorithm. Different classifier algorithms were applied to the combined deep features. Cubic type SVM is used as it gives the best results. In the proposed method, the classification accuracy is 92.41% for the Kaggle dataset and 85.17% for the HAM10000 dataset. In experimental studies, it has been observed that the accuracy score of the proposed model is more successful than other studies.

Özet

Dünya Sağlık Örgütü tarafından belirtildiği gibi, cilt kanseri oluşumu son yıllarda artmaktadır. Her yıl dünya çapında 2 ila 3 milyon arasında melanom dışı cilt kanseri ve en az 132.000 kötü huylu cilt kanseri ortaya çıkmaktadır. Deri lezyonlarının uygun otomatik teşhisi ve melanom tanıma, melanomların erken tespitini büyük ölçüde iyileştirebilir. Cilt kanserinde erken teşhis hastaların doğru tanı ve tedaviye sahip olmasını sağlar. Bu çalışmada, cilt lezyonu görüntülerden deri kanserinin kötü huylu olup olmadığını teşhis etmek için kübik tip Destek Vektör Makinesi (DVM) sınıflandırıcısı ve ön eğitimli Evrişimsel Sinir Ağı (ESA) tabanlı AlexNet ve ResNET50 derin mimarileri kullanılarak derin öznitelikler çıkartıldı ve ardından birleştirildi. Daha sonra, ReliefF algoritması ile bu derin özniteliklerden etkili ve ayırt edici öznitelikler seçildi. Birleştirilen derin özniteliklerine farklı sınıflandırıcı algoritmaları uygulandı. Kübik tip DVM en iyi sonucu verdiği için kullanılmıştır. Önerilen yöntemde sınıflandırma doğruluğu Kaggle veri seti için %92.41, HAM10000 veri seti için %85.17’dir. Deneysel çalışmalarda, önerilen modelin doğruluk skoru diğer çalışmalardan daha başarılı olduğu gözlemlenmiştir.