Öz: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.
Öz: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.
