Atıf Sayısı
4
Görüntüleme
19
İndirme
5
Kötü huylu melanom, bütün cilt kanseri türleri arasında üçüncü en sık rastlanan tür olmasına rağmen en çok ölüme neden olan formudur. Kötü huylu melanomun erken aşamada teşhisi hastanın yaşama şanşını büyük oranda artırdığından, erken teşhis oldukça önemlidir. Melanom teşhisi dermatologlar tarafından lezyon bölgesinin geometrisi, rengi, yapısal ve dokusal özellikleri gibi görsel niteliklerine bakılarak yapılmaktadır. Ancak, son zamanlarda, bilgisayarlı görü ve makine öğrenmesi yöntemlerindeki gelişmeler ile birlikte melanoma tanısı için bilgisayar destekli tanı sistemleri popüler olmaya başlamıştır. Bu çalışmada ciltte bulunan lezyonların bölütlenmesi için SegNet mimarisi tabanlı bir sistem geliştirilmiştir. Bunun yanında, cilt lezyonları üzerinde veri büyütme ve renk tutarlılığı ve kıl silme gibi önişleme adımların bölütleme performansı üzerinde etkileri incelenmiştir. Deneylerimizde ISBI2016 veri kümesi kullanılmıştır. Sonuçlar veri büyütme ve önişlemenin bölütleme performasını dikkate değer oranda artırdığını göstermektedir. Bununla birlikte, veri büyütmenin ezberlemeyi önlediği ve modellerin genelleme yeteneğini artırdığı sonucuna varılmıştır.
Malignant melanoma is the third most common type of skin cancer among all skin cancers, although it is the most fatal form. Since the early diagnosis of malignant melanoma significantly increases the patient's life glory, early diagnosis is very important. The diagnosis of melanoma is done by dermatologists taking into account the visual properties such as the geometry, color, structural and tissue characteristics of the injury area. However, recently, with the developments in computer vision and machine learning methods, computer-supported diagnostic systems for melanoma diagnosis have begun to become popular. In this study, a SegNet architecture-based system has been developed to divide the damage found in the skin. In addition, the effects of data enlargement on skin lesions and color consistency and hair removal steps on division performance have been studied. Our experiments have used the ISBI2016 data set. The results show that data enlargement and prediction have significantly increased the division performance. However, it has been concluded that data enlargement prevents memory and increases the capability of models to generalize.
The malignant melanoma is the third most common form of skin cancer among all skin cancer types, but it is the most fatal form of skin cancer. Early diagnosis is very important, as the early diagnosis of malignant melanoma greatly increases the patient's survival chance. The melanoma diagnosis is carried out by dermatologists by examining the visual characteristics of the lesion area such as geometry, color, structural and textural features. However, recently, the computer-aided diagnosis systems have become popular for the melanoma detection, with advances in computer vision and machine learning methods. In this study, a SegNet architecture based system has been developed for segmentation of skin lesions. In addition, the effects of preprocessing steps on skin lesions such as data augmentation and color consistency and hair removal were investigated on segmentation performance. ISBI2016 dataset was used in our experiments. The results show that data augmentation and preprocessing significantly increases segmentation performance. However, it was concluded that data augmentation prevents memorization and increases the generalization ability of the models.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Atıf Yapanlar
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Bu Sayfayı Yazdırın
Paylaş
Mendeley
