DERİN ÖĞRENME İLE GÖRÜNTÜ BÖLÜTLEME

Abstract

Son yıllarda tıbbi görüntülerin analizi için yapay zekâ ve derin öğrenme yöntemlerinin ortaya çıkışı, doktorların hastaları hakkında daha iyi kararlar almalarına yardımcı olan akıllı tanı sistemlerinin geliştirilmesini sağlamıştır. Bu yeni yöntemler ile birçok alanda yüksek başarı oranları elde edilmektedir. Bunlardan bir tanesi de cilt hastalıkları ve tedavisiyle uğraşan dermatoloji(cildiye) alanıdır. Dermatoloji alanındaki önemli hastalıkların başında cilt kanseri gelmektedir. Cilt kanseri ölümcül olarak görülebilen bir kanser tipidir ve erken tanının yapılması bu hastalık için hayati önem taşımaktadır. Bu tez çalışmasında derin öğrenme temelli bir yaklaşım kullanılarak dermoskopik görüntüler ile semantik bölütleme ve deri lezyonu tespiti için sınıflandırma gerçekleştirilmiştir. Bölütleme adımında deri görüntülerinden tahmini olarak lezyon bölgesi çıkarılmış, sınıflandırma adımında ise görüntüler iyi huylu ve kötü huylu olarak ikili ve daha sonra üçlü sınıflandırılmıştır. Sınıflandırma ve bölütleme için geliştirilen yöntemlerin, literatürdeki çalışmalara benzer ve bazılarından daha başarılı şekilde sonuçlar sergilediği görülmüştür.

In recent years, the occurence of artificial intelligence and deep learning methods for the analysis of medical images has led to the development of intelligent diagnostic systems that help doctors make better decisions about the patient's health. By means these new methods, high success rates are achieved in many field. One of them is the field of dermatology which deals with skin diseases and treatment. One of the most important diseases in dermatology is skin cancer. Skin cancer is a type of cancer that can be seen as fatal and early diagnosis is vital for this disease. In this thesis, a deep learning based approach is used to classify dermoscopic images with semantic segmentation and skin lesion detection. In the segmentation step, the lesion region is estimated on the skin images, and in the classification step, the images are classified as benign and malignant, and then classified as triple. The methods developed for classification and segmentation are novel with respect to hierarchical studies in the literature and have shown more successful results than some.