Derin evrişimsel sinir ağı ve HSV renk uzayı kullanarak cilt lezyonlarının sınıflandırılması

Bu çalışmada ISIC 2017 yarışma veri setini kullanarak derin evrişimsel sinir ağ ve HSV renk uzay bazlı deri lezyonu sınıflandırmasını sunduk. Yarışmanın ana amacı, katılımcıların dermoskopik görüntülerden melanom tanısını otomatik olarak yapabilmeleri için analitik görüntü araçları geliştirmelerine yardımcı olmaktır. Cilt lezyonları görüntü analizi üç bölümden oluşur: lezyon segmentasyonu, tespit ve lokalizasyon ve cilt lezyon sınıflandırması. Bu tek üçüncü bölüm kapsamında belirtilen yarışmanın - deri lezyonu sınıflandırması üzerinde yoğunlaştık. Bu veri seti, tüm görüntü analizlerine katılmak için eğitim verisinden (2000 resim) oluşmaktadır. Ayrıca, doğrulama ve test sonuçları oluşturmak için ayrı bir doğrulama veri seti (150 resim) ve test veri seti (600 resim) içermektedir. İki tür sınıflandırma testi yapıldı. Birincisi hastalıksız (benign) ve hastalıklı (malignant) görüntülerin sınıflandırılmasıdır. İkincisi, cilt lezyonlarının (melanom, nevus ve seboreik keratoz) üç benzersiz tanısını içeren iki bağımsız ikili görüntü sınıflandırması görevidir. İlk ikili sınıflandırma görevinde, (a) melanom ve (b) nevüs ve seboreik keratoz arasında ayrım yapılması istenir. İkinci ikili sınıflandırma görevinde, (a) seboreik keratoz; ve (b) nevüs ve melanom. Veri kümelerindeki tüm ilk görüntüler, bir ikili maskenin tipinde yenilgi sınırlarının uzman el ile izlenmesi ile eşlik edilen lezyonun segmentasyon görüntülerini içerir. Maske, yarı otomatik işlem (kullanıcı tarafından sağlanan başlangıç noktasının kullanımı, kullanıcı tarafından ayarlanan taşma dolum algoritması ve morfolojik filtreleme) kullanılarak uzman klinik doktor tarafından veya manuel olarak kullanıcı tarafından sağlanan noktaların poligonu ile oluşturuldu. İkili maskeler cilt lezyon bölgesinin sınırlayıcı dikdörtgenlerini bulmamıza yardım eder. İlgi bölgesini (ROI) tespit etmenin kolay bir yolu, kontur algılama fonksiyonuna sahip OpenCV kütüphanesinin kullanılmasıdır. Sınırlayıcı kutuların koordinatlarına neden olan ikili bir maskeli görüntülere uygulandı. Bu dikdörtgenleri kullanarak ve boy oranını aynı tutarak, cilt lezyon bölgeleri segmente edildi ve 500x500 piksel boyutuna getirildi. Görüntülerin derin evrişimsel sinir ağına verilmeden önce RGB görüntüleri HSV renk uzayına dönüştürülmüştür. Piksel değeri değiştiğinde RGB renk alanında bu renk pikseli kırmızı, yeşil ve mavi kanalların yoğunluğunu değiştirir. Bu, pikselin renginin (hue), yoğunluğunun (saturasyon) ve doygunluğunun (value), renk varyasyonlarıyla bağlantılı olduğu anlamına gelir. Zor renk ortamında renk değişiminin gözlemlenmesi zorlaşır; ancak HSV renk alanı rengi bir ton (hue), yoğunluk (saturasyon) ve değere (value) ayırır, ve bu, renk değişimlerinin gözleminin ayrı ayrı ayırt edilebileceği anlamına gelir. Böylece, HSV renk uzayı, RGB renk uzayından renkleri daha iyi tanımlar. Sınıflandırıcıyı daha sağlam hale getirmek için ön işlemden sonra, veri büyütme (data augmentation) yapılmıştır. Bu araştırmada, veri büyütme görüntülerin dönüşü, kayması ve çevrilmesi şeklinde gerçekleştirilmiştir. Bu tekniğin kullanılmasının sebebi veri sayısının sinir ağını eğitmek için yetersizliğidir. Veri büyütme özelliğini kullanarak, aynı bağlamda görüntüler üretiriz, ancak kaydırılır, döndürülür ve çevrilir. Görüntüler üzerinde farklı bakış açılar sağlar. İlk test hastalıksız (benign) ve hastalıklı (malignant) görüntülerin sınıflandırılmasını içermektedir. Bu görev için aktarma öğrenme (transfer learning) kullanılmıştır. Bunun için InceptionV3 modeli seçildi. Bu ağ modeli Google tarafından büyük bir veri setinde etilmiştir. İkinci test iki alttakımdan oluşur: (A) melanoma and nevus + seborrheic keratosis; ve (B) seborrheic keratosis and nevus + melanoma görüntülerin sınıflandırılması. Bu görevler için, her bir evrişimsel katman arasında toplu normalleştirme ile derin bir ağ kuruldu. Toplu normalleştirme, öğrenme hızını arttırmaya yardımcı olur. Tüm eğitilen modellerin test seti üzerinde değerlendirilmesi için ölçümler olarak, eğri altındaki alan ve doğruluk ölçümleri kullanıldı. İlk (benign / malignant) sınıflandırma için test setinde 0.55 AUC ve %70 doğruluk elde edildi. İkincisi iki görev içerir: (melanoma / nevus + seborrheic keratosis) için 0.61 AUC ve %80 doğruluk ve (seboreik keratoz / nevus + melanoma) görevi için 0.65 AUC ve %87 doğruluk elde edildi. Tüm çalışmalar Intel i5 6. nesil bir işlemci ve 2 GB Nvidia GeForce 940M GPU içeren dizüstü bilgisayar üzerinde gerçekleştirildi. Derin bir evrişimsel sinir ağı çok fazla işlem gücü tükettiğinden, NVIDIA, CUDA araç takımı ve cuDNN kullanılmıştır. Yüksek verimli GPU hızlandırılmış uygulamalar oluşturmak için tasarım ortamını erişilebilir kılarlar. Buna ek olarak, çalışmanın hızlı prototip gelişimi için TensorFlow ve Keras yüksek düzey kütüphaneler tercih edildi. TensorFlow, insan algısının kalitesine ulaşarak görüntüleri otomatik olarak bulmak ve sınıflandırmak için bir sinir ağını inşa etme ve öğrenme sorunlarını çözmek için Google tarafından geliştirilen makine öğrenimi için bir açık kaynaklı kütüphanedir. Keras, Python programlama dilinde yazılmış açık bir sinir ağ kütüphanesidir.