Abstract
Bu çalışmada cilt kanserini tespit etmek için derin öğrenme tekniklerini kullanan EfficienNetB3 gibi mimarilerin performanslarını görmek için cilt lezyonlarını içeren HAM10000 veri seti ile çalışma yapılmıştır. Bu çalışmada derin öğrenmede, öğrenme oranının görüntü sınıflandırmada kullanılan evrişimli sinir ağlarını kullanan mimariler üzerindeki etkisini görmek için uygulamalar yapılmıştır. Bu uygulamalar öğrenme oranının, veri setinin büyüklüğü ve çeşitliliği ve eğitimde kullanılan görüntü sayıları ile birlikte artırılmış görüntü sayılarının hem sınıflandırmadaki başarıya hem de eğitim için geçen süreye etkisini görmek amacıyla yapılmıştır. Mimari olarak EfficientNetB3 ve veri seti olarak ta Kaggle platformunda açık erişimi olan HAM10000 veri seti kullanılmıştır. Çalışmanın sonunda, mümkün olduğu kadar artırılmış görüntü kullanmadan ve her bir hastalık sınıfına ait 600 görüntü olacak şekilde, 0,002 öğrenme oranı ve 10 yerine epoch 15 alınarak beşinci uygulamada en yüksek 0.8234 doğruluk performansı elde edilmiştir.
Reference17 articles.
1. Elgamal, M. Automatic skin cancer images classification, International Journal of Advanced Computer Science and Applications, 2013, vol. 4, no. 3 pp:287-294.
2. Dildar M, Akram S, İrfan M, Khan HU, Ramzan M, Mahmood AR, Alsaiari SA, Saeed AHM, Alraddadi MO, Mahnashi MH. Cilt Kanseri Tespiti: Derin Öğrenme Tekniklerini Kullanan Bir İnceleme. Uluslararası Çevre Araştırmaları ve Halk Sağlığı Dergisi . 2021; 18(10):5479. https://doi.org/10.3390/ijerph18105479
3. Key Statistics for Melanoma Skin Cancer. Am. Cancer Soc. Available online: https://www.cancer.org/content/dam/CRC/PDF/Public/8823.00.pdf (Erişim Tarihi: 15 November 2023)
4. Khan MQ et al., Classification of Melanoma and Nevus in Digital Images for Diagnosis of Skin Cancer, in IEEE Access, 2019, vol. 7, pp. 90132-90144, doi: 10.1109
5. Seyyarer, E., Ayata, F., Uçkan, T., Karci, A., Derin öğrenmede kullanılan optimizasyon algoritmalarının uygulanması ve kıyaslanması, Anatolian Journal of Computer Sciences, 2020, Volume 5 No 2 pp:90-98