Parçacık Sürüsü Optimizasyon Algoritması ile Optimize Edilmiş Evrişimsel Sinir Ağı Kullanılarak Dermoskopik Görüntülerden Cilt Kanserinin Sınıflandırılması

Abstract

Dermoskopik görüntülerden cilt lezyonlarını sınıflandırmak için güçlü bir tıbbi karar destek sistemi oluşturmak cilt kanserinin teşhisi için önemli bir adımdır. Laboratuvarlarda cilt kanseri teşhisi için gerçekleştirilen manuel araştırma, insan yorgunluğu, birlikte çalışabilirlik hataları vb. gibi belirli faktörler nedeniyle hatalara açıktır. Bununla birlikte, cilt lezyonlarının karmaşık morfolojik yapısından dolayı eğitimli verilerin kullanılmasında ciddi sorunlar yaşanmaktadır. Son yıllarda, Evrişimli Sinir Ağı (CNN) kullanılarak dermoskopik görüntülerden cilt kanseri türlerini tespit etmede önemli ilerlemeler kaydedilmiştir. Bu çalışmanın temel amacı, farklı sınıf sayılarına sahip cilt kanseri türlerini içeren dermoskopik görüntüleri yüksek doğrulukla otomatik olarak sınıflandırmak için CNN tabanlı bir model geliştirmektir. Çalışmada, evrimsel bir algoritmanın yanlış sınıflandırma oranını azaltmak üzere bir derin öğrenme modeline entegre edildiği bir metodoloji önerilmiştir. CNN hiper-parametreleri, cilt lezyonlarını dört farklı türde sınıflandırmada ağ performansını iyileştirmek için Parçacık Sürüsü Optimizasyon (PSO) algoritması kullanılarak optimize edilmiştir. Önerilen yöntem ile %99,33 doğruluk, %94,65 duyarlılık, %98,87 özgüllük ve 0,983 AUC sonuçlarına ulaşılarak birleştirilmiş ISIC-2019 ve Asian-dermoscopy veri kümeleri üzerinde test edilmiştir. Sonuçlar, Genetik Algoritmalar (GA), Diferansiyel Evrim (DE) ve Gri Kurt Optimizasyonu (GWO) algoritmaları gibi benzer kanıtlanmış algoritmalarla karşılaştırılmıştır. Deneysel sonuçlar, cilt kanseri sınıflandırması için CNN hiper-parametrelerini optimize etmede PSO’nun verimliliğini göstermiştir.