Cilt kanserinin siniflandirilmasi için derin öğrenme modellerinin kullanilmasi

En yaygın kanser türlerinden biri olan cilt kanserinin başarılı bir şekilde tedavi edilmesi için erken ve kesin teşhis konulması gerekmektedir. Bu sebeple uzman hekime yardımcı olması için bilgisayarlı görü sistemleri kullanılmaktadır. Özellikle derin öğrenme mimarilerinin geliştirilmesi ile bu süreç dahada hızlanmıştır. Evrişimsel Sinir Ağları (CNN'ler), son yıllarda görüntü tabanlı sınıflandırma uygulamalarında etkileyici sonuçlar gösteren güçlü bir derin öğrenme yöntemi haline gelmiştir. Bu sebeple yapılan bu tez çalışmasında cilt kanserinin sınıflandırılması için popüler CNN modelleri olan ResNet, InceptionV3, AlexNet ve VGG16 modellerinin orjinal sürümleri ile bu modellerin yeniden tasarlanması ile elde edilen uyarlanmış modeller kullanılmıştır. Bu modellere ilaveten özgün tasarlanmış yeni bir CNN modeli geliştirilmiştir. Bütün bu derin öğrenme modelleri cilt kanseriyle ilgili kapsamlı görüntüleriyle geniş çapta tanınan ISIC veri kümeleri üzerinde denenmiştir. Bu veri seti kullanılmadan önce, tez kapsamında veri seti üzerinde ön işlem gerçekleştirilmiştir. Yapılan ön işlem ile sınıflar arası veri adet dengesizliği veri arttırma teknikleri ile giderilmiştir. Yeniden düzenlenen veri seti ile derin öğrenme modelleri eğitilmiş test verisi üzerinde modellerin performansı ölçülmüştür. Veri setindeki görüntü boyutları derin öğrenme modellerinin giriş katmanındaki boyuta göre yeniden düzenlenerek eğitimler gerçekleştirilmiştir. Önerilen CNN modeli, görüntü boyutu 224x224x3 olan veri setinde %83,22 gibi bir değere ve 128x128x3 boyutundaki görüntülerde ise daha yüksek bir doğruluk oranı olan %86 ulaşmıştır. Bu sonuçlar, önerilen CNN modelinin çok yönlülüğünü ve çeşitli görüntü çözünürlüklerinde güçlü performansını göstererek pratik klinik uygulamalara yönelik potansiyelini ortaya koymuştur. Önerilen CNN modeli ile elde edilen sonuçlar diğer geliştirilmiş ve önceden eğitilmiş CNN modelleri ile kapsamlı bir kıyaslama yapılmıştır. Ön eğitilmiş modeller daha önce yüksek boyuttaki veri setleri üzerinde eğitildiği için bu çalışmada önerilen yönteme nispeten yüksek başarı göstermiştir. Ön eğitilmiş modellerden olan ve en düşük doğruluğu sergileyen VGG16 modeli %86 doğruluk oranıyla nispeten zayıf performans göstermiştir. Öte yandan, InceptionV3 %90'lık yüksek bir doğrulukla diğer modelleri geride bırakırken, AlexNet %89'luk kayda değer bir doğruluk göstermiştir. Son olarak ResNet50 modeli ise %88 doğrulukla önemli bir performans sergilemiştir. Elde edilen sonuçlar, önerilen modelin ön eğitilmiş modellere göre daha az veri seti ile eğitilmesine rağmen bu modellere yakın bir doğruluk oranı elde etmiştir. Bu tez çalışması, tanısal kesinliği artırmak ve dolayısıyla cilt kanseri tedavisinde daha iyi klinik sonuçlara ulaşmak için gelişmiş derin öğrenme modellerinden ve kapsamlı veri kümelerinden yararlanmanın önemini vurgulamıştır.