KaydedilenlerDerginizi ekleyin

Dergiler / Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi / 2023 / Cilt: 12 - Sayı: 1

CNN tabanlı derin öğrenme yaklaşımı ile kanser görüntülerinin sınıflandırılması

Classification of cancer images with CNN-based deep learning approach

Halit ÇETİNER
Sayfa
30–38
Yayın Tarihi
2023-01-15
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)

Elde edilen performans sonuçlarına göre önerilen modelin birbirine oldukça benzer yedi farklı cilt kanserini doğru bir şekilde sınıflandırdığı söylenebilir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Halk arasında melanoma (mel), dermatofibroma (df), ve vascular (vasc), bening keratosis (bkl), melanocytic nevi (nv), basal cell carcinoma (bcc), actinic keratosis (akiec) olarak bilinen cilt kanserleri yüksek benzerliğe sahiptir.
📊
Temel Bulgular & Veri:Önerilen model, genel olarak iş yoğunluğu yüksek olan cilt uzmanlarına yardımcı, hızlı tanı ve sınıflandırma yetkinliğine sahip bir modeldir.
💡
Sonuç & Katkı:Elde edilen performans sonuçlarına göre önerilen modelin birbirine oldukça benzer yedi farklı cilt kanserini doğru bir şekilde sınıflandırdığı söylenebilir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:CNN · Rastgele yeniden örneklendirme algoritması · Cilt kanseri

Özet

Halk arasında melanoma (mel), dermatofibroma (df), ve vascular (vasc), bening keratosis (bkl), melanocytic nevi (nv), basal cell carcinoma (bcc), actinic keratosis (akiec) olarak bilinen cilt kanserleri yüksek benzerliğe sahiptir. Belirtilen cilt kanserlerinin erken aşamada doğru bir şekilde sınıflandırılması insan yaşamını kurtarması açısından önemlidir. Bu makalede yaygın görülen cilt kanserlerinin sınıflandırma süreçleri için yüksek doğruluklu bir derin öğrenme modeli önerilmiştir. Önerilen model, genel olarak iş yoğunluğu yüksek olan cilt uzmanlarına yardımcı, hızlı tanı ve sınıflandırma yetkinliğine sahip bir modeldir. Birbirine oldukça benzer olan cilt kanserlerinin sınıflandırılmasında, swish ve ReLU aktivasyon fonksiyonlarının avantajlarından faydalanan 30 katmanlı bir CNN modeli önerilmiştir. Bu model kullanılarak akiec, bcc, bkl, df, nv, vasc, mel adlı cilt kanserlerinin sınıflandırılmasında sırasıyla 0.99%, 0.99%, 0.96%, 0.99%, 0.92%, 0.99%, 0.95% F1 score değerleri elde edilmiştir. Akiec, bcc, bkl, df, nv, vasc, mel adlı cilt kanserlerinin sınıflandırılmasında precision ve recall ölçüm metrikleri açısından sırasıyla 0.99%, 0.99, 0.93, 0.99, 0.97, 0.99, 0.94 precision ve 0.99, 0.98, 0.99, 1, 0.87, 1, 0.97 recall değerleri elde edilmiştir. Elde edilen performans sonuçlarına göre önerilen modelin birbirine oldukça benzer yedi farklı cilt kanserini doğru bir şekilde sınıflandırdığı söylenebilir.

Abstract

Skin cancers known as melanoma (mel), dermatofibroma (df), and vascular (vasc), benign keratosis (bkl), melanocytic nevi (nv), basal cell carcinoma (bcc), actinic keratosis (akiec) have a high similarity. Accurate classification of specified skin cancers at an early stage is important in terms of saving human life. In this article, a high-accuracy deep learning model is proposed for the classification processes of common skin cancers. The proposed model is a model that helps skin specialists with a high workload and has rapid diagnosis and classification competence. A 30-layer CNN model is proposed that takes advantage of the swish and ReLU activation functions in the classification of highly similar skin cancers. Using this model, 0.99%, 0.99%, 0.96%, 0.99%, 0.92%, 0.99%, 0.95% F1 score values were obtained in the classification of skin cancers named akiec, bcc, bkl, df, nv, vasc, mel, respectively. In terms of precision and recall measurement metrics in the classification of skin cancers named Akiec, bcc, bkl, df, nv, vasc, mel, respectively, 0.99%, 0.99, 0.93, 0.99, 0.97, 0.99, 0.94 precision and 0.99, 0.98, 0.99, 1, 0.87, 1, 0.97 recall values were obtained. Based on the performance results obtained, it can be said that the proposed model correctly classifies seven very similar skin cancers.

🔖

Bu Makaleye Atıf Yap

ÇETİNER, H. (2023). CNN tabanlı derin öğrenme yaklaşımı ile kanser görüntülerinin sınıflandırılması. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 12 - Sayı: 1, 30–38. https://ajindex.com/articles/877042

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. H. Younis, M. H. Bhatti, and M. Azeem, Classification of Skin Cancer Dermoscopy Images using Transfer Learning, in 2019 15th International Conference on Emerging Technologies, 1–4. 2019. https://doi.org/10. 1109/ICET48972.2019.8994508. C. De Martel, J. Ferlay, S. Franceschi, J. Vignat, F. Bray, D. Forman, and M. Plummer, Global burden of cancers attributable to infections in 2008: a review and synthetic analysis, Lancet Oncol., 13(6), 607–615, 2012.
  2. R. Perroy, World population prospects, United Nations, 1(6042), 587–592, 2015.
  3. D. Pimentel, S. Cooperstein, H. Randell, D. Filiberto, S. Sorrentino, B. Kaye, C. Nicklin, J. Yagi, J. Brian, J. O'Hern, A. Habas, and Weinstein, Ecology of Increasing Diseases: Population Growth and Environmental Degradation, Hum. Ecol. Interdiscip. J., 35(6), 653–668, 2007. https://doi.org/10.1007/s10745-007-9128-3.
  4. N. Bruce, R. Perez-Padilla, and R. Albalak, The health effects of indoor air pollution exposure in developing countries, Geneva World Heal. Organ., 11, 2002.
  5. U.-O. Dorj, K.-K. Lee, J.-Y. Choi, and M. Lee, The skin cancer classification using deep convolutional neural network, Multimed. Tools Appl., 77(8), 9909–9924, 2018. https://doi.org/10.1007/s11042-018-5714-1.
  6. K. E. Kim, D. Cho, and H. J. Park, Air pollution and skin diseases: Adverse effects of airborne particulate matter on various skin diseases, Life Sci., 152, 126–134, 2016.
  7. A. J. McMichael and T. McMichael, Planetary overload: global environmental change and the health of the human species. Cambridge University Press, 1993.
  8. P. Martens and A. J. McMichael, Environmental change, climate and health: issues and research methods. Cambridge University Press, 2009.
  9. R. L. McKenzie, L. O. Björn, A. Bais, and M. Ilyasd, Changes in biologically active ultraviolet radiation reaching the Earth’s surface, Photochem. Photobiol. Sci., 2(1), 5–15, 2003.
  10. F. W. Alsaade, T. H. H. Aldhyani, and M. H. Al-Adhaileh, Developing a Recognition System for Diagnosing Melanoma Skin Lesions Using Artificial Intelligence Algorithms., Comput. Math. Methods Med., 9998379, 2021. https://doi.org/10.1155/2021/99 98379. D. B. Mendes and N. C. da Silva, Skin lesions classification using convolutional neural networks in clinical images, arXiv Prepr. arXiv1812.02316, 2018.
  11. Y. LeCun, Y. Bengio, and G. Hinton, Deep learning, Nature, 521(7553), 436–444, 2015. https://doi.org/10.1038/nature14539.
  12. M. Choudhary, S. S. Chouhan, E. S. Pilli, and S. K. Vipparthi, BerConvoNet: A deep learning framework for fak