Görüntü artırma tekniklerinin cilt kanseri türleri üzerinde evrişimsel sinir ağları ile sınıflandırma başarılarının karşılaştırılması

Authors : Ömer Özcan, Muhammed Karaaltun

Pages : 1141-1156

Doi:10.28948/ngumuh.1270466

View : 99 | Download : 158

Publication Date : 2023-10-15

Article Type : Research Paper

Abstract :Derin öğrenme yaklaşımlarından evrişimsel sinir ağları algoritması ile görüntü veri setleri üzerinde sınıflandırma çalışmaları yaygın olarak tıp ve tarım gibi birçok alanda başarılı bir şekilde yapılmaktadır. Ancak, görüntü veri setleri içerisinde bulunan sınıfların örnek sayıları dengesiz olduğu durumlarda bu algoritmanın sınıflandırma başarımı olumsuz yönde etkilenmektedir. Genelde çoğunluk sınıfının aksine azınlık sınıfı(ları) evrişimsel sinir ağları algoritması tarafından iyi bir şekilde öğrenilmemektedir. Bunun gibi durumlarda aşırı örnekleme yöntemlerine başvurmak başarılı sonuçlar alınmasını sağlamaktadır. Aşırı örnekleme yöntemleri ile azınlık sınıfı(ları) örneklerinin sayısı artırılarak çoğunluk sınıfının örnek sayısına yakın ya da eşit olmaktadır. Bu çalışmada literatürde sıkça kullanılan; yer değiştirme, döndürme, rastgele silme, gürültü ekleme, resimlerin karıştırılması, çekirdek filtreleri, çekişmeli üretici ağlar, çevirme, özellik uzayı dönüşümü, kırpma ve renk uzayı dönüşümü aşırı örnekleme yöntemleri Ham10000 veri seti üzerinde uygulanmıştır. Uygulama sonucunda elde edilen sonuçlara göre sınıflandırma başarısı açısından aşırı örnekleme yöntemleri karşılaştırılmıştır. Üç farklı evrişimsel sinir ağları modellerinden; ResNet50, DenseNet201, MobileNet ile elde edilen sınıflandırma sonuçlarına göre doğruluk açısından ResNet50 modelinde gürültü ekleme yöntemi 0.967, DenseNet201 modelinde renk uzayı dönüşümü yöntemi 0.965 ve MobileNet modelinde ise Resimlerin karıştırılması yöntemi 0.974 sınıflandırma başarısı değeri ile diğer aşırı örnekleme yöntemlerinden daha iyi bir sonuç elde etmiştir.
Keywords : Aşırı örnekleme, derin öğrenme, görüntü, yetersiz örnekleme, evrişimsel sinir ağı