MobileNetV2 ve MobileNetV3 Tabanlı Derin Öğrenme Yaklaşımları ile Cilt Kanserlerinin Sınıflandırılması

EasyChair Preprint 8429

Abstract

İnsanların yaşadığı çevresel ortamların farklı sebeplerden dolayı zarar görmesi sonucunda ozon tabakası delinmiştir. Bu delinme neticesinde ise güneş ışınlarına ait faydalı ve zararlı ışınlara maruz kalma miktarında artma meydana gelmiştir. İnsanların güneş ışınları altında kalma süresinin artması sonucunda vücudun çeşitli bölgelerinde cilt renklerinde değişimler yaşanmaktadır. Tıp dünyası ise genel anlamda cilt üzerinde meydana gelen değişimleri cilt kanseri olarak tanımlamaktadır. Halk arasında ise sıklıkla karşılaşılan cilt kanser türleri ise melanoma (mel), dermafibroma (df), vascular (vasc), bening keratosis (bkl), melanocytic nevi (nv), basal cell carcinoma (bcc), actinic keratosis (akiec) türleri olarak bilinmektedir. Cilt üzerindeki tüm değişimler kanser olmayabilmektedir. Bu durumda olası bir cilt değişiminin her ne kadar cilt üzerindeki tüm değişimleri cilt kanseri olarak nitelemek mümkün olmasa da cilt değişimlerinden elde edilen görüntüler kullanarak, hangi görüntünün hangi kansere ait olduğu belirlemek mümkündür. Bu çalışmada cilt sağlık uzmanların yetersizliği ve iş yoğunluğu düşünülerek transfer öğrenme tabanlı derin öğrenme modellerinin sınıflandırma başarısı karşılaştırılmıştır. MobileNet mimarisine ait yeni bir aktivasyon fonksiyonu ile sunulan MobileNet V3 Large ve ReLU aktivasyon fonksiyonlu MobileNet V2 etkili bir şekilde karşılaştırılmıştır. KFold 2 seçeneğine göre eğitim ve test verileri ikiye ayrılarak yapılan deneysel çalışmalarda ağırlıklı değerleri ile kullanılan her iki model de birbirine yakın eğitim ve test doğruluk değerlerine ulaşmıştır.

Keyphrases: MobileNet V3, MobileNet-V2, Skin Cancer, Transfer Learning, deep learning

@booklet{EasyChair:8429,
  author    = {Halit Çetiner},
  title     = {MobileNetV2 ve MobileNetV3 Tabanlı Derin Öğrenme Yaklaşımları ile Cilt Kanserlerinin Sınıflandırılması},
  howpublished = {EasyChair Preprint 8429},
  year      = {EasyChair, 2022}}