Tez No	İndirme	Tez Künye	Durumu
709938		Classification of melanoma malignancy in dermatology / Dermatolojide melanoma malignansının sınıflandırılması Yazar:BİLGE SÜHEYLA GAZİOĞLU Danışman: PROF. DR. MUSTAFA ERSEL KAMAŞAK Yer Bilgisi: İstanbul Teknik Üniversitesi / Lisansüstü Eğitim Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Sayısal görüntü işleme = Digital image processing	Onaylandı Doktora İngilizce 2021 101 s.
Kanser hastalığı, son yıllarda tüm dünyada en sık görülen hastalıklardan biri haline gelmiştir. Dünyada en yaygın kanser cilt kanseri olarak bilinmekte ve tüm kanserlerin yaklaşık % 40'ını oluşturmaktadır. Son 50 yılda görülme sıklığı 10 kat artan cilt kanserine yakalanma riski yaklaşık \%20 olarak verilebilir. Deri kanseri, anormal doku büyümesi, kızarıklık, pigmentasyon anormallikleri ve iyileşmeyen yaralar gibi semptomlarla ortaya çıkmaktadır. Melanom nadir bir cilt kanseri türü olmasına rağmen, diğer cilt kanseri türlerine kıyasla daha yüksek ölüm oranına sahiptir. Melanom, melanositlerin kontrolsüz bölünmesi ve çoğalması sonucu tanımlanabilir. Dünya çapında, melanom en yaygın 20. kanserdir ve tahmini 287.723 yeni vaka vardır ve tüm kanserlerin yaklaşık %1.6'sı kadardır. ABD'de 2021'de iki yüz binden fazla yeni melanom vakası teşhis edilmiştir ve diğer kanser türlerinden daha hızlı artış gösterdiği belirtilmiştir. Melanom görülme sıklığı son 30 yılda %237'ye kadar yükselmiştir. Ülkemizde melanom diğer ülkelere göre nispeten daha ender görülen bir kanser türüdür Dünya Sağlık Örgütü verilerine göre, tüm kanser türleri içinde 21. sırada olduğu ifade edilmektedir. Kanser hücreleri hızla büyür ve sistematik olarak yayılır. Kanser semptomlarının erken teşhisi, tedavi başarısını ve iyileşme oranını oldukça etkilemektedir. Tüm kanser türlerinde olduğu gibi cilt kanserinin tedavisinde de erken teşhis büyük önem taşımaktadır. Kötü huylu melanomların erken tespiti insanların hayatını kurtarabilir. Melanomu tespit etmek için cildin renk, şekil ve yapısındaki değişiklikler, ciltte oluşan şişlikler ve lekeler doktorlar tarafından dikkatle incelenmektedir ve gerekli ek tetkikler de yapılarak melanom tanısı koyulmaktadır. Melanomun erken ve doğru teşhisi, hastalıktan kurtulma oranları üzerinde kritik öneme sahiptir. Bu amaçla son zamanlarda erken tanı için bilgisayar destekli tanı mekanizmaları önerilmektedir. Bu sistemlerde son yıllarda oldukça popüler olan derin öğrenme modelleri, potansiyel melanom lezyonlarının sınıflandırılması gibi bir çok araştırma alanında ele alınmaktadır. Bu tez çalışmasında cilt lezyonlarının iyi huylu veya kötü huylu olup olmadığının belirlenmesinde derin öğrenme modelleri kullanılmıştır. Lezyonların sınıflandırılması iki farklı bakış açısıyla ele alınmıştır. İlk çalışmada görüntüler üzerindeki dış etkenlerin sınıflandırmaya etkisi incelenmiş ve bu çalışmada dört farklı derin öğrenme modeli üzerinden sınıflandırma yapılarak bu modellerin dayanıklılığı test edilmiştir. İkinci çalışmada ise, Türk sağlık kurumundan alınan lezyon görüntüleri ile oluşturulan yeni bir veriseti üzerinde ikili sınıflandırma mekanizması önerilerek dermatologlara yardımcı olabilecek bir ön tanı sistemi kurulması hedeflenmiştir. Cilt görüntülerinde en sık karşılaşılan harici nesnelerden ilki, cilt üzerinde bulunan kıllardır. Bunun yanında, cilt görüntülerinde lezyonun boyutunun ölçülmesi amacıyla cetvel parçaları sonradan görüntülere dahil edilebilmektedir. Harici nesnelerin lezyon sınıflandırılması üzerine etkisinin belirlenebilmesi amacıyla da ayrı üç test seti oluşturulmuştur. Bu setler lezyon ile birlikte cetvel içeren, kıl içeren ve hiç bir şey içermeyen görüntülerden oluşmaktadır. Üçüncü veri seti sadece lezyon görüntülerinden oluşmaktadır. Aslında bu çalışmada, en iyi sonucun lezyon haricinde hiç bir nesne içeremeyen veri kümesinin daha yüksek başarım oranı ile sınıflandırılması beklenmekteydi. Ancak sonuçlar analiz edildiğinde kıl barındıran görüntü kümesi, toplam veri setinde en yüksek görüntü sayısına sahip olduğu için sistemimizde en iyi sınıflandırma başarımı bu küme üzerinde DenseNet modeli kullanımı sonucunda ölçülmüştür. Cetvel içeren görüntülerden oluşan veri seti üzerinde yapılan testler sonucunda ise ResNet modeli diğer modellere oranla daha iyi bir sınıflandırma başarımı göstermiştir. Sistemin doğruluğu kıl içeren veri seti üzerinde %89.22 , cetvel içeren veri seti üzerinde %86 ve diğer veri seti üzerinde ise %88,81 olarak hesaplanmıştır. Klinik ortamlarda, kusursuz cilt görüntüleri yakalamak her zaman mümkün değildir. Bazen cilt görüntüleri bulanık, gürültülü veya düşük kontrastlı olabilir ya da görüntü içerisinde ek nesneler olabilir. İlk çalışmanın amacı, yaygın olarak kullanılan evrişimsel sinir ağları modellerini kullanarak harici nesnelerin (cetvel, saç) ve görüntü kalitesinin (bulanıklık, gürültü, kontrast) etkilerini araştırmaktır. Burada, biyomedikal görüntü işleme alanında sıklıkla kullanılan 4 derin öğrenme modeli olan ResNet50, DenseNet121, VGG16 ve AlexNet ele alınmıştır. Bu modellerin sınıflandırma başarısı karşılaştırılmıştır. Modellerin hangi bozulma derecelerinde daha iyi sonuçlar vereceği incelenmiştir. Diğer bir deyişle hangi modelin hangi bozulmaya karşı daha dayanıklı veya hassas olduğunun belirlenmesi üzerine çalışılmıştır. Görüntülerdeki bozulma bulanıklık, gürültü ve kontrast değişimleri olarak üç ana başlık altında ele alınmıştır. Bu amaçla üç farklı bozulma türü için değişik parametreler kullanılarak görüntülerin bozulması sağlanmış ve her bir bozulma türü için farklı sayıda alt yapay veri setleri oluşturulmuştur. Melanom görüntüleri, iyi huylu görüntülerin aksine kontrast değişiklikleri altında daha iyi saptanabilmektedir. Ayrıca, görüntülerde kontrast farklılığı söz konusu ise cilt lezyonlarının sınıflandırlmasında ResNet modeli diğer modellerden daha iyi sonuç vermektedir.Görüntülerde sıklıkla karşılaşılan bir bozulma olayı da gürültüdür. Gürültü, melanom (kötü huylu lezyon) görüntülerinin sınıflandırılması üzerindeki performansı önemli ölçüde düşürür ve tanıma oranları gürültülü sette iyi huylu lezyonlara kıyasla azalır. Her iki sınıf da bulanıklık değişimlerine karşı duyarlıdır. Bulanık ve gürültülü örneklerin bulunduğu veri kümelerinde en iyi doğruluk DenseNet modeli ile elde edilmiştir. Çalışmanın genel sonucu olarak, DenseNet'in görüntü bozulmalarına karşı daha dayanıklı olduğundan dolayı melanom sınıflandırması için kullanılabileceği sonucuna varabiliriz. Son yıllarda biyomedikal görüntü işleme araştırma alanında, bilgisayar destekli tanı sistemlerinde yüksek doğruluk değerlerine sahip derin öğrenme modellerine sıklıkla başvurulmuştur. Evrişimsel sinir ağları, sınıflandırma doğruluğunu artırmak için deri lezyonu sınıflandırmasında da yaygın olarak kullanılmaktadır. Bu tezde ele alınan bir diğer çalışmada ise, özel olarak oluşturulmuş cilt lezyonları veri kümesindeki görüntülerin sınıflandırılabilmesi amacıyla beş derin öğrenme modeli ele alınmıştır. Bu çalışmada kullanılan veri seti, ISIC veri setinden alınan görüntülerden oluşmaktadır. 2020 yılında araştırmacıların kullanıma sunulan veri setinde benign ve malign olmak üzere iki sınıf ve nevüs, melanom ve bilinmeyen olmak üzere üç tanı bulunmaktadır. Nevüs ve melanom tanısı olan görüntüler iyi huylu ve kötü kuylu sınıflarını oluşturacak şekilde ele alınmıştır. Toplamda 565 melanom ve 600 benign lezyon görüntüsü elde edilmiştir. Tüm veri seti test ve eğitim setleri olarak %20 ve %80 oranında ikiye ayrılmıştır. Test setinde malign melanom sınıfı için 115 görüntü ve benign nevi sınıfı için 120 görüntü kullanılmıştır. Kullanılan veri seti üzerinde yüksek performans ile benign nevüs veya malign melanom cilt lezyonu tanınmaya çalışılmıştır. Eğitim veri seti 5 parçaya bölünmüş ve bazı görüntü ön işleme metodları kullanılarak alt eğitim setlerindeki görüntü sayısı artırılmıştır. Bu çalışmada her alt set için farklı bir derin öğrenme modelinin eğitilmesini amaçlanmış ve 11 farklı derin öğrenme modeli kullanılmıştır. Bu modeller DenseNet121, DenseNet161, DenseNet169, DenseNet201, ResNet18, ResNet50, VGGNet19, VGGNet16_bn, SqueezeNet1_1, SqueezeNet1_0 ve AlexNet olarak belirlenmiştir. Belirlenen her model ile herbir alt eğitim kümesi eğitilmiştir. Daha sonra, çalışmanın sonuçlanabilmesi için model sonuçlarını birleştirilmesi planlanmıştır. CNN modellerinin birleştirilmesi, günümüzde sınıflandırma doğruluğunu artırmak için cilt lezyonu sınıflandırmasında yaygın olarak kullanılmaktadır. Bu çalışmada, bu yaklaşımı beş derin öğrenme modeli kullanarak ele aldık. Derin öğrenme modellerinin doğruluğunu ayrı ayrı artırmak istedik. Eğitilip kaydedilen her modelin test setine uygulanması sonucunda elde edilen tüm sonuçlar çoğunluk oylaması metoduyla birleştirilmiştir. Önerilen modelin doğruluğu veri seti üzerinden\%95,75 olarak hesaplanmıştır. Oldukça umut verici başarım sonuçları sistemin doktorlar tarafından bir ön tanı uygulaması olarak kullanılabileceğini göstermektedir. Bu nedenle, bu non-invaziv sistem klinisyenler için faydalı olabileceği değerlendirilmiştir.
Cancer has become one of the most common diseases all over the world in recent years. Approximately 40% of all incidences is skin cancer. The frequency of sightings of skin cancer has increased by 10 times in the last 50 years, and the risk of developing skin cancer is about 20%. Skin cancer has symptoms such as abnormal tissue growth, redness, pigmentation abnormalities and nonhealing wounds. Melanoma is a rare type of skin cancer with higher mortality compared to other types of skin cancers. Melanoma can be defined as a result of uncontrolled division and proliferation of melanocytes. Worldwide, melanoma is the 20th most common cancer and there are an estimated 287,723 new cases (1.6% of all cancers). In USA, more than two hundred thousand new cases of melanoma were diagnosed in 2021 and it increases more rapidly than other forms of cancer. Melanoma incidence increased up to 237% in the last 30 years. In our country, Turkey, melanoma is relatively rare compared to the other countries. Cancer cells display a rapid grow and systematic spread. As in all types of cancer, early diagnosis is of great importance for the treatment of skin cancer. Early diagnosis improves treatment success and prognosis. To detect a melanoma, changes in color, shape and structure of the skin, swelling and stains on the skin are carefully examined by the physicians. Besides the physician investigation, computer aided diagnosis (CAD) mechanisms are recommended for early diagnosis. In this thesis, deep learning models have been used to determine whether skin lesions are benign or malignant melanoma. The classification of the lesions is considered from two different points of view. In the first study, effect of objects in the image and image quality on classification performance was examined by using four different deep learning models. In addition, sensitivity of these models was tested. In the second study, it was aimed to establish a pre-diagnosis system that could help dermatologists by proposing a binary classification (benign nevi or malignant melanoma) mechanism on the ISIC dataset. In clinical settings, it is not always possible to capture flawless skin images. Sometimes skin images can be blurry, noisy, or have low-contrast. In other cases, images can have external objects. The aim of the first study is to investigate the effects of external objects (ruler, hair) and image quality (blur, noise, contrast) using widely used Convolutional Neural Networks (CNN) models. Classification performance of frequently used ResNet50, DenseNet121, VGG16 and AlexNet models are compared. Resilience of the mentioned models against external objects and image quality was examined. Distortions in the images are discussed under three main headings: Blur, noise and contrast changes. For this purpose, different levels of image distortions were obtained by adjusting different parameters. Data sets were created for three different distortion types and distortion levels. Firstly, the most common external object in skin images is hair on skin. In addition, rulers are commonly used as a scale for suspicious lesions on skin. In order to determine the effect of external objects on lesion classification, three separate test sets were created. These sets consist of images containing a ruler, hair and no external object (none). The third dataset consists only of mole (lesion) images. With the three datasets, four models were trained and their classification performances were analyzed. In fact, the best result was expected to be classified with a higher accuracy of the dataset that did not contain any object except the lesion. However, when the results are analyzed, since the image set containing hair had the highest number of images in the total dataset, the best classification performance in our system was measured by using DenseNet model on this subset. As a result of these tests, ResNet model showed a better classification performance compared to other models. Melanoma images can be better recognized under contrast changes unlike the benign images, we recommend ResNet model whenever there is low contrast. Noise significantly degrades the performance on melanoma images and the recognition rates decrease faster compared to benign lesions in noisy set. Both classes are sensitive to blur changes. Best accuracy is obtained with DenseNet model in blurred and noisy datasets. The images contain ruler has decreased the accuracy and ResNet has better performance in this set. Hairy images have the best success rate in our system since it has the maximum number of images in total dataset. We evaluated the accuracy as 89.22% for hair set, 86% for ruler set and 88.81% for none set. We can infer that DenseNet can be used for melanoma classification with image distortions and degradations. As a general result of the first study, we can conclude that DenseNet can be used for melanoma classification since it is more resistant to image distortion. In recent years, deep learning models with high accuracy values in computer aided diagnosis systems have been used frequently in biomedical image processing research area. Convolutional neural networks are also widely used in skin lesion classification to increase classification accuracy. In another study discussed in this thesis, five deep learning models were discussed in order to classify the images in the specially created skin lesions dataset. The dataset used in this study consists of images from ISIC dataset. In the dataset which is available in 2020, there are two classes of benign and malignant and three diagnosis consist of nevus, melanoma and unknown. We only considered images with nevus and melanoma diagnosis. Dataset had 565 melanoma and 600 benign lesion images in total. We separated the 115 images for the class of malignant melanoma and 120 images for the benign nevi class as our test set. The rest of the data was used for model training. With pre-processing methods such as flipping and rotation, the training dataset has divided into 5 parts and the number of images in the train set was increased. DenseNet121, DenseNet161, DenseNet169, DenseNet201, ResNet18, ResNet50, VGGNet19, VGGNet16_bn, SqueezeNet1_1, SqueezeNet1_0 and AlexNet models were trained with each subset. Using these models an ensemble system was designed. In this system, results the models were combined with the majority voting method. The accuracy of the proposed model is 95.76 % over the data set.