Tez No	İndirme	Tez Künye	Durumu
608922		Dermoskopik görüntülerden melanomanın derin evrişimsel sinir ağları ile teşhisi / Diagnosis of melanoma in dermoscopic images with deep convolutional neural networks Yazar:ENES AYAN Danışman: DOÇ. DR. HALİL MURAT ÜNVER Yer Bilgisi: Kırıkkale Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Derin öğrenme = Deep learning	Onaylandı Doktora Türkçe 2019 168 s.
Deri kanseri dünya genelinde son yıllarda oldukça sık karşılaşılan bir halk sağlığı sorunudur. Güneş ışınlarının zararlı etkisi sonucunda onarılamayan DNA hasarına bağlı olarak deri hücrelerinin kontrolsüz büyümesi ile ortaya çıkmaktadır. Farklı türleri bulunan deri kanserinin en tehlikelisi olan ve insan yaşamını tehdit eden türü melanomadır. Diğer deri kanserlerinin yayılma kapasiteleri sınırlı iken, melanomanın esas tehlikesi çok hızlı yayılmasıdır. Neyse ki melanoma erken teşhis edildiğinde %99 oranında tedavi edilebilir bir hastalıktır. Hastalığın teşhisi için dermoskop cihazı ile elde edilen dermoskopik görüntüler kullanılmaktadır. Hekimler tarafından incelenen görüntüler üzerinden elde edilen bilgiler ışığında lezyon şüpheli görülürse biyopsi yapılarak kesin teşhis konulmaktadır. Teşhis başarısı çoğunlukla hekim deneyimine bağlı olmakla birlikte özneldir. Yanlış teşhisler sonucu gereksiz biyopsi sayılarında artış görülmektedir. Ayrıca hastalığın geç teşhis edilmesi de ortaya çıkan olumsuz durumlardan bir tanesidir. Bu nedenle, güvenilir otomatik melanoma tarama sistemleri, hekimlerin kötü huylu cilt lezyonlarını mümkün olduğunca erken tespit etmeleri için çok yardımcı olacaktır. Son beş yıl içinde derin öğrenme yöntemleri klasik görüntü işleme metotlarını geride bırakarak sınıflandırma problemlerinde büyük başarılar elde etmiştir. Özellikle evrişimsel sinir ağları medikal görüntüler üzerinden birçok hastalığın teşhisini başarı ile gerçekleştirmiştir. Bununla birlikte derin öğrenme yöntemlerinin başarım oranı kullanılan veri setinin büyüklüğü ile doğru orantılıdır. Bu çalışmada derin öğrenme yöntemlerinden evrişimsel sinir ağları vasıtası ile dermoskopik görüntülerden oluşan kısıtlı bir veri seti kullanılarak melanom olan lezyonların tespitine odaklanılmıştır. Bu amaçla üç aşamadan oluşan bir boru hattı mimarisi oluşturulmuştur. Önerilen mimarinin ilk aşaması lezyon üzerindeki kılların tespiti ve yok edilmesidir. Bu aşamada aktarım öğrenme yönteminden faydalanılarak Vgg tabanlı bir evrişim ağı ile üzerinde kıl olan lezyon tespit edildikten sonra üzerindeki kıllar çeşitli görüntü işleme yöntemleri ile temizlenmiştir. İkinci aşamada lezyonun sağlıklı dokudan ayrılmasıdır. Bu aşamada Yolov3 derin ağı görüntü içinde lezyonun bulunduğu bölgeyi tespit için düzenlenerek yeniden eğitilmiştir. Elde edilen yer bilgisi GrabCut algoritmasında kullanılarak lezyon bölgesi arka plandan ayrılmıştır. Son aşama ise lezyonun sınıflandırılmasıdır. Bu aşamada MobileNet, ResNet-50, Xception ağları aynı veri üzerinde ayrı ayrı eğitilerek test aşamasında oylama yöntemi ile sınıflandırma gerçekleştirilmiştir. Önerilen yöntemin ilk aşaması olan kılları tespit etme silmede %98 hassasiyet elde edilmiştir. Segmentasyon kısmında %90 hassasiyet ve en son sınıflandırmada ise %91 hassasiyet elde edilmiştir.
Skin cancer is a common worldwide public health problem in recent years. It is caused by the uncontrolled growth of skin cells due to irreparable DNA damage as a result of the harmful effect of sunlight. Melanoma is the most dangerous type of different skin cancers that threaten human life. While the spreading capacity of other skin cancers is limited, the main danger of melanoma is its rapid spread. Fortunately, melanoma is a 99% curable disease when diagnosed in early stages. Dermoscopic images obtained with dermoscopic devices are used for the diagnosis of the disease. If the lesion is suspected in the light of the information obtained from the dermoscopic images examined by physicians, a definitive diagnosis is made by biopsy. The success of diagnosis depends on the experience of the physician and is subjective. The number of unnecessary biopsies increases due to misdiagnosis. In addition, late diagnosis of the disease is one of the emerging adverse conditions. Therefore, reliable automated melanoma screening systems will help physicians to detect malignant skin lesions as early as possible. In the last five years, deep learning methods have achieved great success in classification problems, leaving classical image processing methods behind. Especially convolutional neural networks have successfully performed the diagnosis of many diseases through medical images. However, the performance of deep learning methods is directly proportional to the size of the used data set. This study focused on the detection of lesions with melanoma using a limited data set of dermoscopic images via convolutional neural networks, one of the deep learning methods. For this purpose, a pipeline architecture consisting of three phases has been created. The first stage of the proposed architecture is the detection and removing of the hairs on the lesion. At this stage, after the lesion on the hair was detected with a Vgg based convolutional neural network by using transfer learning method, the hairs on it were cleaned with various image processing methods. The second stage is the segmentation of the lesion from healthy tissue. At this stage, the Yolov3 deep network was rearranged and trained to detect the location of the lesion. Using the obtained location information of the lesion area, GrabCut algorithm segmented skin lesion from the background. The final stage is the classification of the lesion. At this stage, MobileNet, ResNet-50, Xception networks were trained separately on the same data and at the test stage, classification was performed by using a voting method. The first step of the proposed method is to detect hairs and remove, obtained 98% accuracy on ISBI 2017 dataset. In the same dataset, 90% sensitivity was achieved in the segmentation part. And finally, in the classification stage, 91% sensitivity was obtained.