Cilt Kanseri Görüntü Sınıflandırması için Görüntü Ön İşlemenin Evrişimsel Sinir Ağları Performansı Üzerindeki Etkileri

Abstract

Cilt 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.

Skin cancer is one of the most common types of cancer worldwide. Nowadays, as a result of wrong or late diagnosis of many cancer cases, serious problems including patient deaths are faced. This study deals with the skin cancer classification problem using convolutional neural networks. Instead of comparing different learning architectures, this research effort aims to pre- process the images and examine the effect of these processes on the performance of the architecture. For this purpose, using the ISIC 2018 Skin Image Analysis Competition dataset, two different sets of preprocessing methods have been applied on the ResNet50 architecture. In the first set up, binary and OTSU’s thresholding and CLAHE transformation were applied, respectively. In the second set up, morphological filtering, color normalization and filling operations were applied. Based on different performance metrics including F1 Score, it has been shown that the second set of preprocessing methods can improve the performance for the skin cancer classification problem.