Transfer Öğrenme ve Çekişmeli Üretici Ağ Yaklaşımlarını Kullanarak Cilt Lezyonu Sınıflandırma Doğruluğunu İyileştirilmesi

Abstract

Bu çalışmada, en yaygın kanser türlerinden biri olan cilt kanseri imgelerinin sınıflandırılmasına odaklanılmıştır. Yapılan araştırma sonucunda cilt kanseriyle ilgili literatürdeki en kapsamlı etiketlenmiş veri kümesinin HAM10000 olduğu görülmüştür. 7 farklı lezyon türüne ait 10.000'den fazla etiketli imge içeren bu veri kümesinin klasik Evrişimsel Sinir Ağlarıyla (ESA) sınıflandırma doğruluğunun arttırılması amaçlanmaktadır. Bu makalede, mevcut iki farklı tekniğin (transfer öğrenme ve imge üretimi) lezyon sınıflandırma doğruluğuna etkisi incelenmiştir. Birinci teknik, cilt lezyonu veri kümesini sınıflandırmak için tasarlanan yeni bir ESA'ya, ImageNet veri kümesiyle eğitilmiş AlexNET ağındaki parametrelerin kısmi ve tam transfer yoluyla aktarılmasıdır. İkinci teknik, gerçek lezyon imgelerinden imge üretilmesiyle veri kümesinin genişletilmesidir. Bu genişletme işleminde klasik üretme ve Çekişmeli Üretici Ağ (ÇÜA) tekniklerinin başarımları değerlendirilmiştir. Yapılan deneysel çalışmalar neticesinde, kısmi parametre transferi ve Derin Evrişimsel Çekişmeli Üretici Ağ (DEÇÜA) temelli imge üretim tekniği kullanılarak veri kümesinin genişletilmesi yaklaşımlarının birlikte kullanılması en yüksek lezyon sınıflandırma doğruluğunu (%93) vermiştir. Yöntemler, literatürdeki güncel yöntemle kıyaslanarak toplam doğruluk başarımındaki üstünlüğü gösterilmiştir.