Dergiler / Bilişim Teknolojileri Dergisi / 2022 / Cilt: 15 - Sayı: 2

Cilt Kanseri Görüntülerinde FCN8-ResNetC ve Görüntü İşleme ile Kıl Temizliği ve Lezyon Bölütleme

Hair Removal and Lesion Segmentation with FCN8-ResNetC and Image Processing in Images of Skin Cancer

Sayfa
231–238
Yayın Tarihi
2022-04-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Lezyon görüntülerindeki kıl gürültüsü temizliği için 3000 kıl maskesi çalışmada kapsamında oluşturulmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Cilt kanseri oldukça yaygın görülmektedir.
📊
Temel Bulgular & Veri:Doğru bölütlenmiş lezyon görüntüsü ile cilt kanseri tanısında başarı oranı artacaktır.
💡
Sonuç & Katkı:Lezyon görüntülerindeki kıl gürültüsü temizliği için 3000 kıl maskesi çalışmada kapsamında oluşturulmuştur.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2018 Verileri
⚙️Değişkenler:derin öğrenme · kıl temizliği · cilt kanseri

Özet

Cilt kanseri oldukça yaygın görülmektedir. Cilt kanseri tedavisinde erken tespit önemlidir. Artık cilt kanseri tanısında bilgisayar teknolojisi temelli yöntemler (derin öğrenme, görüntü işleme) daha yaygın olarak kullanılmaktadır. Bu yöntemler ile tanı sürecinde insan hatası ortadan kaldırılabilir. Lezyon görüntüleri üzerindeki kıl gürültüsünün temizlenmesi doğru bölütleme için önem teşkil eder. Doğru bölütlenmiş lezyon görüntüsü ile cilt kanseri tanısında başarı oranı artacaktır. Bu çalışma, cilt kanseri görüntülerinde kıl temizliği ve bölütleme için FCN8 tabanlı yeni bir yaklaşım sunmaktadır. FCN8 algoritmasına ResNetC eklenerek başarı artışı sağlanmıştır. ResNetC ResNet tabanlı yeni bir modeldir. Çalışmada ISIC 2018’e ait iki veri seti ve PH2 veri seti kullanıldı. Kıl temizliğinde eğitim başarısı %89.380, lezyon bölütlemesinde ise %97.050 olarak elde edildi. Lezyon görüntülerindeki kıl gürültüsü temizliği için 3000 kıl maskesi çalışmada kapsamında oluşturulmuştur.

Abstract

Skin cancer is quite common. Early detection is crucial for the treatment of skin cancer. Methods based on computer technology (deep learning, image processing) are now increasingly used to diagnose skin cancer. These methods can eliminate human error in the diagnostic process. Removing hair noise from lesion images is essential for accurate segmentation. A correctly segmented lesion image increases the success rate in diagnosing skin cancer. In this study, a new FCN8-based approach for hair removal and segmentation in skin cancer images is presented. Higher success was achieved by adding ResNetC to FCN8. ResNetC is a new model based on ResNet. Two datasets were used for the study: ISIC 2018 and PH2. Training success was 89.380% for hair removal and 97.050% for lesion segmentation. 3000 hair masks were created as part of the study to remove hair noise in the lesion images.

🔖

Bu Makaleye Atıf Yap

AKYEL, C., ARICI, N. (2022). Cilt Kanseri Görüntülerinde FCN8-ResNetC ve Görüntü İşleme ile Kıl Temizliği ve Lezyon Bölütleme. Bilişim Teknolojileri Dergisi, Cilt: 15 - Sayı: 2, 231–238. https://ajindex.com/articles/393291

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. O. Baykara, “Current Modalities in Treatment of Cancer”, Balıkesir Health Sciences Journal, 5(3), 154-165, 2016. Internet: WHO, https://www.who.int/news-room/fact-sheets/detail/cancer, 20.10.2021.
  2. R. L. Siegel, K.D. Miller KD, Jemal A. “Cancer statistics”, ACS Journal, 71(1), 7-33, 2021.
  3. H. M. Unver, E. Ayan, “Skin Lesion Segmentation in Dermoscopic Images with Combination of YOLO and GrabCut Algorithm”, Diagnostics Journal, 9(72), 1-21, 2019.
  4. K. H. Güngör, Metastaz Yapmamış Melanoma Ve Melanoma Dışı Deri Kanserleri İçin Geliştirilmiş Olan Deri Kanseri İlişkili Yaşam Kalitesi Ölçeğinin (Dkykö) Türkçe Geçerlilik Ve Güvenilirliğinin Araştırılması, Tıpta Uzmanlık Tezi, Ankara Üniversitesi Tıp Fakültesi, 2016. Internet: Ryerson University, https://rshare.library.ryerson.ca/articles/thesis/Skin_Lesion_Segmentation_Techniques_for_Melanoma_Diagnosis_Comparative_Studies/14649345/1, 18.01.2022. Internet: Arxiv, https://arxiv.org/ftp/arxiv/papers/1904/1904.11126.pdf, 25.02.2021.
  5. M. A. Kadampur, S. A. Riyaee, “Skin cancer detection: Applying a deep learning-based model-driven architecture in the cloud for classifying dermal cell images”, Informatics in Medicine Unlocked Journal, 18, 1-6, 2020.
  6. M. Senan, M. Jadhav, “Classification of Dermoscopy Images for Early Detection of Skin Cancer – A Review”, International Journal of Computer Applications, 178(17), 37-43, 2019. Internet: Science Direct, https://www.sciencedirect.com/science/article/pii/S1877050916305865, 11.05.2021.
  7. Z. Faisal, N. Abbadi, “New Segmentation Method for Skin Cancer Lesions”, Journal of Engineering and Applied Sciences, 12(21), 5598-5602, 2017.
  8. S. Jain, V. Jagtap, N. Pise, “Computer-aided Melanoma skin cancer detection using Image Processing”, Procedia Computer Science, 48, 735-740, 2015.
  9. T. Lee, V. Ng, R. Gallagher, A. Coldman, D. McLean, “Dullrazor: A Software Approach to Hair Removal from Images”, Computers in biology and medicine, 27(6), 533-543, 1997.
  10. H. El-Khatib, D. Popescu, L. Ichim, “Deep Learning-Based Methods for Automatic Diagnosis of Skin Lesions”, Sensors Journal, 20(6), 1-25, 2020.
  11. K. Zafar, S. O. Gilani, A. Waris, A. Ahmed, M. Jamil, M. A. Khan, A. S. Kaskif, “Skin Lesion Segmentation from Dermoscopic Images Using Convolutional Neural Network”, Sensors Journal 2020; 20(6). DOI: 10.3390/s20061601. Celebi, E.C., Aslandoğan, A.A., Stoecker WV, Iyatomi H, Oka H, et al. “Unsupervised Border Detection in Dermoscopy Image”, Skin Researchand Technology, 13(4), 454- 462, 2007. D. N. H. Thanh,