Malign Melanom ve Nevus'un makine öğrenimi ve derin öğrenme yöntemleri ile sınıflandırılması

Abstract

Bu çalışmanın amacı makine öğrenmesi yöntemleri kullanarak malin melanom ve nevüs sınıflandırması yapılması ve bu işlem sırasında lezyon sınırlarına riayet edilmesinin işlem sonucuna yaptığı etkinin incelenmesidir. Araştırmanın temel aldığı kaynak, The International Skin Imaging Collaboration (ISIC) tarafından sağlanan cilt lezyonları veri kümesidir. Bu veri kümesi içerisinden lezyon sınırları bilgisini içeren ve Memorial Sloan Kettering Cancer Center (MSK) tarafından sağlanmış olan veri kümesi çalışmada tercih edilmektedir. Sınıflandırma işlemi için makine öğrenmesi yöntemlerinden Convolutional Neureal Network (CNN), Long Short-Term Memory (LSTM), Recurrent Neural Network (RNN), K Nearest Neighbours (KNN) ve Support Vector Machine (SVM) isimli yöntemler kullanılmaktadır. Veri kümesindeki her bir resim CNN, gri değeri eş dizilim matrisi ve ham resim piksel özniteliklerine göre ayrı ayrı ve gri değeri eş dizilim matrisi öznitelikleri ile CNN öznitelikleri birlikte olmak üzere önce kırpılmadan sınıflandırılmış akabinde lezyon sınırlarına göre kırpılarak sınıflandırılmıştır. Her bir özelliğe göre 10-kat çapraz doğrulama işlemi yapılmış ve sonuçlar, lezyon sınırlarına göre kırpılmış ve kırpılmamış olarak, doğruluk, f1-puanı, ortalama kesinlik, eğri altında kalan alan, ortalama doğruluk ve 10-kat doğrulama ortalamasından standart sapma değerinden oluşacak şekilde sunulmuştur. Bunlara ek olarak hata matrisi, alıcı çalışma karakteristiği eğrisi ve kesinlik duyarlılık eğrisi gibi yöntemler de dikkate alınarak sonuçlar değerlendirilmiştir. Bu çalışmanın sonucunda elde edilen model, Pedro Hispano Hospital (PH2) tarafından sağlanan veri kümesi üzerinde uygulanarak başarılı olduğu gösterilmiş ve ayrıca bu çalışmamız, bir web uygulaması olarak akademik kullanıma açılmıştır. Çalışma sonunda elde edilen model bu alanda çalışan akademisyenler ve uzman doktorlar için faydalı olacaktır.The main purpose of this study is to classify malignant melanoma and nevus using machine learning and deep learning methods and to examine the effect of respecting lesion boundaries on the outcome of this procedure. The research is based on the skin lesion dataset provided by The International Skin Imaging Collaboration (ISIC). Memorial Sloan Kettering Cancer Center (MSK) dataset was selected for the reseach because it is the largest subset containing lesion boundaries information among ISIC dataset. Machine learning methods named Convolutional Neureal Network (CNN), Long Short-Term Memory (LSTM), Recurrent Neural Network (RNN), K Nearest Neighbours (KNN) and Support Vector Machine (SVM) were utilized for classification. Lesion images were classified using CNN features, gray level co-occurance matrix features, raw image pixel features and CNN features plus gray level co-occurance matrix features using 10-fold cross-validation process, first as provided then using crop method respecting to lesion boundaries. The results were saved for each fold from which we extract the accuracy, the f1-value, the average presicion, the area under the curve, the mean accuracy value and the standard deviation value of the 10-fold validation, In addition to these, the results were evaluated by considering the methods such as confusion matrix, receiver operating characteristic curve and precision recall curve. The model selected at the end of the study was applied on a test dataset provided by Pedro Hispano Hospital (PH2) showing that the model is successful and also made available on the internet as a web application for academic usage.