Deri lezyonlarının derin öğrenme tabanlı sınıflandırılması

Abstract

Günümüzde teknolojinin hızla ilerlemesi, sağlık sektöründe yeni teĢhis yöntemlerinin geliĢtirilmesine olanak tanımaktadır. Deri lezyonlarının tespiti ve sınıflandırılması, cilt kanseri gibi hayati öneme sahip sağlık sorunlarına erken müdahale sağlayarak tedavi süreçlerini iyileĢtirebilmektedir. Yapay zekâ algoritmaları, dermoskopik görüntüler üzerinden lezyonları analiz ederek hızlı ve doğru teĢhis imkânı sunmaktadır. Bu sayede, lezyonların sınıflandırılması hızlandırılır ve doktorların yoğunluğu azaltılır. Bu çalıĢmada, ResNet18 (Residual Neural Network) ve ResNet34 ağ modelleri ile derin öğrenme yöntemleri kullanılarak deri lezyonlarının iyi veya kötü huylu olarak sınıflandırılması gerçekleĢtirilmiĢtir. Kaggle, HAM10000 ve ISIC (International Skin Imaging Collaboration) platformlarından alınan Melanositik Nevüs, Dermatofibroma, Vasküler Lezyonlar ve Ġyi Huylu Keratoz olmak üzere 4 iyi huylu; Melanom, Bazal Hücreli Karsinom ve Bowen olmak üzere 3 kötü huylu lezyon türü içeren 10.000 dermoskopik görüntü ile veri seti oluĢturulmuĢtur. OluĢturulan veri seti, ResNet18 ve ResNet34 ile Colab üzerinde eğitilmiĢtir. Model eğitimi sonucunda, lezyonların iyi veya kötü huylu olarak sınıflandırılmasında ResNet18 ağı %87.618, ResNet34 ağı %90.564, ResNet18 ve ResNet34 tabanlı hibrit ağı yapısında ise %92.211 baĢarı oranı sağlamıĢtır. ÆalıĢmadan elde edilen sonuçlar, derin öğrenme tabanlı yapıların deri lezyonlarının sınıflandırılması ve erken teĢhisi uygulamalarında etkili bir Ģekilde kullanılabileceğini göstermektedir.

The rapid advancement of technology today has enabled the development of new diagnostic methods in the healthcare sector. The detection and classification of skin lesions can improve treatment processes by providing early intervention for critical health issues like skin cancer. Artificial intelligence algorithms offer fast and accurate diagnosis by analyzing dermoscopic images of lesions. This accelerates the classification of lesions and reduces the workload on doctors. In this study, deep learning methods were employed using ResNet18 (Residual Neural Network) and ResNet34 network models to classify skin lesions as benign or malignant. A dataset of 10,000 dermoscopic images was created using images from the Kaggle, HAM10000, and ISIC (International Skin Imaging Collaboration) platforms, containing 4 types of benign lesions-Melanocytic Nevus, Dermatofibroma, Vascular Lesions, and Benign Keratosis—and 3 types of malignant lesions-Melanoma, Basal Cell Carcinoma, and Bowen. The created dataset was trained using ResNet18 and ResNet34 on Colab. As a result of the model training, the ResNet18 network achieved an accuracy rate of 87.618%, ResNet34 achieved 90.564%, and ResNet18 and ResNet34 based hybrid network structure yielded 92.211% accuracy in classifying lesions as benign or malignant. These results demonstrate that deep learning-based classification can be effectively used in early diagnosis applications.