Transfer Öğrenme ve Çekişmeli Üretici Ağ Yaklaşımlarını Kullanarak Cilt Lezyonu Sınıflandırma Doğruluğunun İyileştirilmesi
Yükleniyor...
Tarih
2020
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışmada, en yaygın kanser türlerinden biri olan cilt kanseri imgelerinin sınıflandırılmasına odaklanılmıştır. Yapılanaraştırma sonucunda cilt kanseriyle ilgili literatürdeki en kapsamlı etiketlenmiş veri kümesinin HAM10000 olduğugörülmüştür. 7 farklı lezyon türüne ait 10.000’den fazla etiketli imge içeren bu veri kümesinin klasik Evrişimsel SinirAğlarıyla (ESA) sınıflandırma doğruluğunun arttırılması amaçlanmaktadır. Bu makalede, mevcut iki farklı tekniğin (transferöğrenme ve imge üretimi) lezyon sınıflandırma doğruluğuna etkisi incelenmiştir. Birinci teknik, cilt lezyonu veri kümesinisınıflandırmak için tasarlanan yeni bir ESA’ya, ImageNet veri kümesiyle eğitilmiş AlexNET ağındaki parametrelerin kısmive tam transfer yoluyla aktarılmasıdır. İkinci teknik, gerçek lezyon imgelerinden imge üretilmesiyle veri kümesiningenişletilmesidir. Bu genişletme işleminde klasik üretme ve Çekişmeli Üretici Ağ (ÇÜA) tekniklerinin başarımlarıdeğerlendirilmiştir. Yapılan deneysel çalışmalar neticesinde, kısmi parametre transferi ve Derin Evrişimsel Çekişmeli ÜreticiAğ (DEÇÜA) temelli imge üretim tekniği kullanılarak veri kümesinin genişletilmesi yaklaşımlarının birlikte kullanılması enyüksek lezyon sınıflandırma doğruluğunu (%93) vermiştir. Yöntemler, literatürdeki güncel yöntemle kıyaslanarak toplamdoğruluk başarımındaki üstünlüğü gösterilmiştir.
This study focuses on the classification of skin cancer images, one of the most common types of cancer. As a result of the research, it was found that the most comprehensive labeled data set in the literature related to skin cancer were HAM10000. This data set, which contains more than 10,000 tagged images of 7 different lesion types, is aim to increase accuracy in classification with Convolutional Neural Networks (CNNs). In this study, the effect of two different techniques (transfer learning and image production) on lesion classification accuracy was investigated. The first technique is the partial and full transfer of parameters in the ImageNet image set-trained AlexNET network to a new CNN designed to classify the skin lesion data set. The second technique is to expand the dataset by generating images from true lesion images. In this expansion process, the performances of classical production and Generative Adversarial Network (GAN) techniques were evaluated. As a result of the experimental studies, the use of partial parameter transfer and data set expansion approaches using Deep Convolutional Generative Adversarial Network (DCGAN) based image generation technique yielded the highest lesion classification accuracy (93%). The methods have been compared to the current method in the literature and total accuracy performance is demonstrated.
This study focuses on the classification of skin cancer images, one of the most common types of cancer. As a result of the research, it was found that the most comprehensive labeled data set in the literature related to skin cancer were HAM10000. This data set, which contains more than 10,000 tagged images of 7 different lesion types, is aim to increase accuracy in classification with Convolutional Neural Networks (CNNs). In this study, the effect of two different techniques (transfer learning and image production) on lesion classification accuracy was investigated. The first technique is the partial and full transfer of parameters in the ImageNet image set-trained AlexNET network to a new CNN designed to classify the skin lesion data set. The second technique is to expand the dataset by generating images from true lesion images. In this expansion process, the performances of classical production and Generative Adversarial Network (GAN) techniques were evaluated. As a result of the experimental studies, the use of partial parameter transfer and data set expansion approaches using Deep Convolutional Generative Adversarial Network (DCGAN) based image generation technique yielded the highest lesion classification accuracy (93%). The methods have been compared to the current method in the literature and total accuracy performance is demonstrated.
Açıklama
Anahtar Kelimeler
Kaynak
Fırat Üniversitesi Mühendislik Bilimleri Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
32
Sayı
2
Künye
FIRILDAK K, ÇELİK G, TALU M (2020). Transfer Öğrenme ve Çekişmeli Üretici Ağ Yaklaşımlarını Kullanarak Cilt Lezyonu Sınıflandırma Doğruluğunun İyileştirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 32(2), 491 - 498.
