TR-Dizin İndeksli Yayınlar Koleksiyonu
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/396
Browse
2 results
Search Results
Article Cilt Kanseri Görüntü Sınıflandırması için Görüntü Ön İşlemenin Evrişimsel Sinir Ağları Performansı Üzerindeki Etkileri(2022) Dedeturk, Beyhan Adanur; Bakir-gungor, Burcu; Tasdemir, KasimCilt kanseri, dünya çapında yaygın olarak karşılaşılan kanser türleri arasındadır. Günümüzde pek çok kanser vakasının yanlış ya da geç teşhisi sonucunda, hasta ölümleri de dahil olmak üzere ciddi problemler yaşanmaktadır. Bu çalışmada, evrişimli sinir ağlarını kullanarak cilt kanseri sınıflandırması problemini ele almaktayız. Çalışmadaki temel amacımız farklı öğrenme mimarilerini karşılaştırmak yerine, görüntüleri farklı ön işlemlere tabi tutup, bu işlemin kullanılan mimari performansına etkisini incelemektir. Bu amaç doğrultusunda, ISIC 2018 Cilt Görüntü Analizi Yarışması’na ait veri seti kullanılarak, iki farklı görüntü ön işleme yöntem dizisi ResNet50 mimarisi için uygulanmıştır. Bunlardan birincisinde sırasıyla ikili ve otsu eşikleme, CLAHE dönüşümü uygulanırken, ikincisinde morfolojik filtreleme, renk normalizasyonu ve dolgu işlemleri uygulanmıştır. F1 Puanı başta olmak üzere farklı performans metrikleri baz alındığında, cilt kanseri görüntüleri üzerinde ikinci ön işleme yöntem dizisinin performans iyileştirmesi yapabildiği gösterilmiştir.Article Benchmarking Deep Learning Models for Dermatological Image Analysis: EfficientNet Takes the Lead(2024) Kaçmaz, Rukiye Nur; Doğan, Refika SultanSkin cancer that spreads quickly and is deadly is called melanoma. If skin cancer is not treated in its early stages, the mortality rate is very high, but when it is correctly identified in its early stages, patients' lives can be saved. With an accurate and fast diagnosis, the patient's chance of survival can be increased. A computer- aided diagnostic support system needs to be created. In this study, Dense201, DarkNet19, and EfficientNet offer 3 different deep transfer learning models for melanoma classification. In addition, an ablation study was conducted in terms of the filter size used in transfer learning. To look at the effect of the filter size, different filter sizes were created in each model and the results were obtained. The ISIC dataset containing 1792 benign and 1464 malignant images was used in the study. According to this study, DenseNet201 provided accurate and reliable results at different filter sizes regardless of their size. Therefore, it is recommended to use DenseNet201 in studies involving the classification of skin lesions.