Derin öğrenme tabanlı cilt kanseri tespitinde veri dengesizliğinin giderilmesi ve model mimarilerinin karşılaştırmalı analizi

Abstract

Deri kanseri dünya genelinde en yaygın görülen kanser türlerinden biri olup özellikle melanom türü erken teşhis edilmediğinde yüksek ölüm oranlarına neden olabilmektedir. Dermoskopik görüntüleme tekniklerinin gelişmesiyle birlikte deri lezyonlarının bilgisayar destekli analizine yönelik çalışmalar son yıllarda önemli ölçüde artmış, derin öğrenme tabanlı yöntemler bu alanda başarılı sonuçlar ortaya koymuştur.Bu çalışmada, HAM10000 ve ISIC 2019 veri setleri kullanılarak dermoskopik görüntülerden deri lezyonlarının sınıflandırılması için derin öğrenme tabanlı bir yaklaşım önerilmiştir. Çalışmanın amacı, dermoskopik görüntüler üzerinde derin öğrenme tabanlı cilt lezyonu sınıflandırması gerçekleştirmek ve farklı mimari ile veri koşullarının model performansına etkisini karşılaştırmalı olarak ortaya koymaktır. Çalışma sırasında, orijinal lezyon sınıfları melanom, melanom dışı cilt kanserleri ve iyi huylu lezyonlar olmak üzere klinik öneme göre üç gruba birleştirilmiştir. HAM10000 için her sınıfın 1500 örnek içerecek biçimde yapılandırıldığı hibrit bir dengeleme stratejisi uygulanmış, ISIC2019 için ise sınıf bazında dengeli örnekleme kullanılmıştır. ResNet50, ConvNeXtTiny ve EfficientNetV2S mimarileri; iki aşamalı transfer öğrenme ve melanom sınıfına özgü karar eşiği optimizasyonu ile eğitilmiştir. Her üç koşulda da en yüksek performansı sergileyen EfficientNetV2S, ISIC2019 veri setinde 0.8810 makro F1 ve 0.9709 AUC, dengeli HAM10000 veri setinde ise 0.9132 makro F1 ve 0.9848 AUC değerlerine ulaşmıştır. Orijinal HAM10000 üzerinde 0.7798 olan makro F1 skoru, veri dengeleme sonrasında 0.9132 değerine yükselmiş; melanom sınıfı duyarlılığı yüzde 52.7'den yüzde 87.3'e çıkmıştır.Elde edilen bulgular veri dengesinin model başarımı üzerindeki belirleyici etkisini ortaya koymakta; çalışma, klinik açıdan anlamlı üç sınıflı yapı ve modern mimarilerin karşılaştırmalı değerlendirmesi açısından literatüre katkı sağlamaktadır.Skin cancer is one of the most common types of cancer worldwide, and melanoma in particular can lead to high mortality rates if not diagnosed early. With the advancement of dermoscopic imaging techniques, computer-aided analysis of skin lesions has gained significant attention, and deep learning-based methods have produced successful outcomes in this field. In this study, a deep learning-based approach was proposed for classifying skin lesions from dermoscopic images using the HAM10000 and ISIC2019 datasets, with the aim of comparatively examining the effects of different architectures and data conditions on model performance. The original lesion classes were merged into three clinically significant groups: melanoma, non-melanoma skin cancers, and benign lesions. For HAM10000, a hybrid balancing strategy was applied to configure each class with 1500 samples, while classwise balanced sampling was used for ISIC2019. ResNet50, ConvNeXtTiny, and EfficientNetV2S were trained using a two-stage transfer learning approach and melanoma-specific decision threshold optimization. EfficientNetV2S achieved the highest performance under all three conditions, reaching a macro F1 of 0.8810 and AUC of 0.9709 on ISIC2019, and a macro F1 of 0.9132 and AUC of 0.9848 on balanced HAM10000. On the original HAM10000, the macro F1 score increased from 0.7798 to 0.9132 after balancing, while melanoma recall improved from 52.7 to 87.3 percent.These findings demonstrate the decisive effect of data balance on model performance, and the study contributes to the literature through its clinically meaningful three-class structure and comparative evaluation of modern architectures.