Derin öğrenme tabanlı yöntemler ile cilt lezyonlarının bölütlenmesi
| dc.contributor.author | Şahin, Nurullah | |
| dc.date.accessioned | 2021-11-08T10:58:33Z | |
| dc.date.available | 2021-11-08T10:58:33Z | |
| dc.date.issued | 2020 | |
| dc.department | Enstitüler, | en_US |
| dc.description.abstract | Melanom, tüm kanser türleri içinde en yaygın görülen ve en ölümcül kanser türüdür. Melanomun erken teşhisi, tedavi başarımını ve hastanın hayatta kalma olanağını önemli ölçüde arttırmaktadır. Dermoskopi, dermatologlar tarafından melanom tespitinde yaygın olarak kullanılan, cilt bütünlüğünü bozmayan, düşük maliyetli ve etkili bir yöntemdir. Melanom teşhisi için dermoskopi görüntülerinin analizi temel olarak önişleme, bölütleme, özellik çıkarımı ve sınıflandırma adımlarından oluşur. Bölütleme adımı kendisinden sonraki adımlardaki başarı performansını doğrudan etkilediği için kritik öneme sahiptir. Fakat cilt üzerindeki kıl, hava kabarcıkları ve yağ kabarcıkları gibi kalıntılar; cilt lezyonlarının renk dağılımlarındaki farklılıklar, sınır düzensizlikleri ve düşük kontrast gibi olumsuz koşullar cilt lezyonlarının doğru tespit edilmesini zorlaştırmaktadır. Bu tez çalışmasında, cilt lezyon bölütlemesinde kullanılan geleneksel ve güncel derin öğrenme tabanlı yönlemler, bölütleme doğruluğu ve sürelerine göre incelenerek kapsamlı analizleri gerçekleştirilmiştir. Böylece yöntemlerin birbirlerine göre güçlü ve zayıf yönleri ortaya konulmuştur. Bu kapsamda 4 farklı çalışma gerçekleştirilmiştir. İlk çalışmada eşikleme tabanlı yöntemlerin farklı renk kanalları ile cilt lezyon bölütleme başarımları incelenmiştir. İkinci çalışmada, harmoni arama (HA), benzetimli tavlama (BT) ve parçacık sürü optimizasyonu (PSO) yöntemlerinin Otsu eşikleme yönteminin bölütleme performansını üzerindeki etkileri incelenmiştir. Üçüncü çalışmada, kodlayıcı derinliği ve farklı renk kanallarının SegNet ağının cilt lezyon bölütleme performansı üzerindeki etkisi incelenmiştir. Son olarak, bayes optimizasyon yöntemi ile SegNet ağın eğitilmesinde kullanılan en iyi hiper-parametreler belirlenerek SegNet ağının bölütleme başarımının arttırılması sağlanmıştır. Bunun yanında, yöntemlerin cilt lezyon bölütleme performansları, doğruluk, hassasiyet, özgüllük, dice ve jaccard katsayısı olmak üzere 5 farklı ölçüt kullanılarak elde edilmiştir. Deneysel sonuçlar, önerilen sistemin etkinliğini ve gerçek zamanlı klinik uygulamalardaki kullanılabilirliğini ortaya koymaktadır. | en_US |
| dc.description.abstract | Melanoma is the most common and deadliest form of cancer among all cancer types. Early diagnosis of melanoma significantly improves treatment performance and survival rates. Dermoscopy is a non-invasive, low-cost and effective method that is widely used by dermatologists for melanoma detection. Analysis of dermoscopy images for melanoma detection mainly consists of preprocessing, segmentation, feature extraction and classification steps. The segmentation stage is critical as it directly affects the performance of the next stages. Hovewer, the low contrast, differences in color distributions of skin lesions, border irregularities, and the artifacts such as hair, air bubbles, oil bubbles in skin lesion images, complicate the segmentation process. In this thesis, conventional and the state-of-the-art deep learning based methods were examined according to their segmentation and time performance for skin lesion segmentation and their comprehensive analyzes were carried out. Thus, the strengths and weaknesses of the methods relative to each other have been revealed. In this manner, four different experimental studies have been carried out. In the first study, different color channels and skin lesion segmentation performance of thresholding-based methods were examined. In the second study, the effects of harmoni search (HS), simulated annealing (SA) and particle swarm optimization (PSO) methods on the segmentation performance of the otsu thresholding method have been investigated. In the third study, the effect of encoder depths and different color channels on performance of Seg-Net has been investigated. Finally, the best hyper-parameters of trained SegNet were determined with the bayes optimization and the segmentation performance of the SegNet has been improved. Besides, the skin lesion segmentation performance of the methods have been obtained using five different metrics: accuracy, sensitivity, specificity, dice and jaccard coefficient. Experimental results indicate the effeciency of the proposed system and the viability of a real-time clinical application. | en_US |
| dc.identifier.citation | Şahin, N. (2020). Derin öğrenme tabanlı yöntemler ile cilt lezyonlarının bölütlenmesi. Yayınlanmış Yüksek Lisans Tezi, İnönü Üniversitesi. | en_US |
| dc.identifier.endpage | 66 | en_US |
| dc.identifier.uri | https://hdl.handle.net/11616/42914 | |
| dc.language.iso | tr | en_US |
| dc.publisher | İnönü Üniversitesi | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | en_US |
| dc.subject | Computer Engineering and Computer Science and Control | en_US |
| dc.title | Derin öğrenme tabanlı yöntemler ile cilt lezyonlarının bölütlenmesi | en_US |
| dc.title.alternative | Classification of skin lesions with deep learning based methods | en_US |
| dc.type | Master Thesis | en_US |
