Deri lezyonlarının derin öğrenme yöntemleri ile segmentasyonu

Abstract

Cilt kanseri tüm kanser türleri arasında en yaygın olanlardan biridir ve tüm dünyada birçok insanın ölümüne sebep olan ve son yıllarda etki ettiği popülasyon sayısında önemli ölçüde artış olan bir kanser türüdür. En tehlikeli tipi olan melanom erken teşhis edildiğinde tedavi edilebilirlik oranı en yüksek olan kanser türlerinden biridir. Cilt lezyonlarının morfolojik yapıları gereği teşhisleri zordur. Bu nedenle bilgisayar destekli otomatik teşhis sistemlerinde elde edilecek başarılı sonuçlar oldukça önemlidir. Daha önce yapılan çalışmalar cilt lezyonlarının başarılı segmentasyonunun oluşturulacak otomatik teşhis sistemlerinin doğruluk değerlerinde artış sağladığını göstermiştir. Bu problemleri göz önünde bulundurarak cilt lezyonlarının otomatik segmentasyonu üzerine yapılmış bu çalışma iki aşamadan oluşmaktadır. İlk aşamasında Evrişimli Sinir Ağı tabanlı derin segmentasyon mimarilerinin yapısında ve eğitiminde kullanılan bazı hiper parametrelerin cilt lezyon segmentasyonu performansına etkileri değerlendirilmiştir. İkinci aşamasında ise cilt lezyon segmentasyonu için FCN-ResAlexNet olarak tanımlanan hibrit bir Tam Evrişimli Ağ tabanlı segmentasyon mimarisi tasarlanmıştır. Elde edilen sonuçlar değerlendirildiğinde önerilen mimari literatürde en popüler segmentasyon mimarilerinden daha iyi performans göstermiş ayrıca literatürde yapılan diğer çalışmalar ile karşılaştırıldığında elde edilen performanslar ile öncü çalışmalar arasına girmiştir.

Skin cancer is one of the most common of all types of cancer and has caused the death of many people worldwide and has had a significant increase in the number of populations it has affected in recent years. When diagnosed early, melanom, the most dangerous type, is a cancer type with the highest curability rate. Diagnosis of skin lesions is difficult due to their morphological nature. For this reason, successful results to be achieved in computer-aided automatic diagnosis systems are very important. Previous studies have shown that successful segmentation of skin lesions increases the accuracy achieved by automatic diagnosis systems. Considering these problems, this study on automatic segmentation of skin lesions consists of two stages. In the first stage, the effects of some hyperparameters used in the structure and training of Convolutional Neural Network based deep segmentation architectures on skin lesion segmentation performance were evaluated. In the second phase, a hybrid Fully Convolutional Network based segmentation architecture defined as FCN-ResAlexNet was designed for skin lesion segmentation. When the results were evaluated, the proposed architecture performed better than the most popular segmentation architectures in the literature. It was among the pioneering studies with the performances obtained when compared with other studies in the literature.