Vit-skinnet: A novel vision transformer-based ShufflenetV3 model for efficient skin cancer detection with segmentation mechanism

Ölümcül bir cilt kanseri türü olan melanom, her yıl yüzlerce kişinin ölümüne neden oluyor. Cilt kanseri tipik olarak "bacaklar, yüz, kollar ve boyun" gibi cildin sıklıkla güneş ışığına maruz kalan bölgelerini etkiler. Derideki pigmentli lezyonların görsel olarak incelenmesiyle melanom erken tespit edilebilir ve kötü huylu hücrelerin çıkarılması gibi basit bir yöntemle tedavi edilebilir. Ancak dermatoloğun azlığı nedeniyle derinin yalnızca çıplak gözle incelenmesi sınırlı ve tutarsız bir doğruluğa sahiptir. Bu durum aynı zamanda hastaların birden fazla biyopsi almasına neden olmakta ve tedavi sürecini aksatmaktadır. Lezyonların dermoskopi görüntülerinden otomatik olarak tanımlanması, karmaşık lezyon özelliklerinden ve tespit zemininin bir sonucu olarak çeşitli engeller içerir. Lezyon özelliklerinin ana sınıf içi varyasyonları ve sınıflar arası benzerlikleri üzerine araştırma eksikliği vardır ve önceki çözümler öncelikle, çok daha gelişmiş tespit doğruluğu ile cilt kanserinin varlığını tespit etmek için daha büyük ve daha karmaşık sistemlerin kullanılmasına odaklanmaktadır. Çeşitli sorunları geleneksel yöntemlerle ele almak amacıyla, derin öğrenme yaklaşımlarını kullanarak cilt kanserinin tanımlanmasına yönelik başarılı bir yapı oluşturmak giderek daha önemli hale geliyor. Uygulanan cilt kanseri tespit ve sınıflandırma modelinin gerçekleştirilmesi gereken üç önemli prosedür vardır. Dermoskopi görüntülerinin toplanması, görüntülerin segmentlere ayrılması için yapılan segmentasyon süreci ve tespit aşaması, uygulamaya konulan cilt kanseri tespit sisteminin üç ana aşamasıdır. İlk olarak, testler için gerekli görüntüleri sağlamak amacıyla kıyaslama görüntüleri kullanılır. Görüntüler toplandıktan sonra segmentasyon aşaması gerçekleştirilir. Segmentasyon adımı, toplanan görüntüleri girdi olarak alır. Daha sonra etkili bir segmentasyon gerçekleştirmek için Residual DenseUNet++ (ResDenseUNet++) kullanılır. Bu noktada, elde edilen parçalı görüntü, geliştirilen ResDenseUNet++ tarafından sağlanmakta ve daha sonraki aşamanın girdileri için dikkate alınmaktadır. Ek olarak, parçalı görüntü daha sonra özellik çıkarma işlemine tabi tutularak degrade filtre görüntüsü ve doku deseni görüntüsü elde edilir. Ek olarak, elde edilen görüntü sonuçları daha sonra cilt kanseri tespit aşaması için girilir. Tespit aşamasında, Vision Transformer'ı (ViT-ShufflenetV3) temel alan yeni geliştirilen ShufflenetV3 uygulanır ve cilt kanserini etkili bir şekilde tanımak için kullanılır. Birçok deneysel doğrulamada, önerilen cilt kanseri tanımlama sistemi, diğer geleneksel modellere göre cilt kanserine ilişkin daha kesin bir sınıflandırma sonucu sağlamıştır.