DETECTION AND CLASSIFICATION OF MELANOMA USING A DENSE CONVOLUTIONAL NEURAL NETWORK

Abstract

ABSTRACT

Melanoma is the most dangerous kind of skin inflammation. Despite its rarity, this condition is fatal, and diagnosing it using standard methods is difficult due to the high level of skill and medical equipment required, as well as the length of time required for diagnosis, necessitating the development of a new diagnostic approach. Early identification of skin cancer is a critical step that can aid in the delivery and elimination of effective treatment. As a result, effective early detection procedures for skin cancer are in high demand in health institutions and medical centers, and they require ongoing development to provide high-quality and accurate diagnostic results.

Deep learning's main goal is to identify an effective feature that detects the melanoma pathway automatically, and there are serious attempts to develop new learning models developing imaging systems and technologies that can deal with traditional images so that high-spectrum images can be distinguished from others.

This paper uses a dense convolutional neural network (Dense-CNN) model for melanoma diagnosis. The proposed model was applied to eight datasets: the HAM10000 dataset, ISIC 2019, DermQuest-DermIS, ISIC 2017, ISIC 2016, MED-NODE, PH2 dataset, and DermNet. All of these datasets are for images of skin lesions obtained through dermatoscopy. Our results were compared with those of other studies. When applied to the eight datasets, the proposed model achieved high diagnostic rates in terms of accuracy, sensitivity, specificity, and precision.

ÖZET

Melanom, cilt iltihabının en tehlikeli türüdür. Nadir olmasına rağmen, bu durum ölümcüldür, ve standart yöntemlerle teşhis etmek zordur, çünkü yüksek düzeyde beceri ve gerekli tıbbi ekipman gerekmektedir. Tanı için gerekli sürenin yanı sıra yeni bir teşhis yaklaşımının geliştirilmesini gerekli kılmaktadır. Sağlık açısından erken dönemde, sağlık bakımına yönelik incelemeler konusunda çok önemli bir adımdır. Sonuç olarak, cilt kanseri için etkili erken teşhis prosedürleri, sağlık kurumlarında ve tıp merkezlerinde yüksek talep görmektedir ve yüksek kaliteli ve doğru teşhis sonuçları sağlamak için sürekli geliştirmeye ihtiyaç duyarlar. Derin

öğrenmenin ana hedefi, melanom yolunu algılayan etkili bir özelliği otomatik olarak belirlemektir ve yüksek spektrumlu görüntülerin diğerlerinden ayırt edilebilmesi için geleneksel görüntülerle başa çıkabilecek görüntüleme sistemleri ve teknolojileri geliştirerek yeni öğrenme modelleri geliştirmeye yönelik ciddi girişimler vardır.

Bu tez çalışmasında, melanom teşhisi için yoğun bir evrişimli sinir ağı (Dense-CNN) modeli tasarlanmıştır. Önerilen model sekiz veri kümesine uygulandı: HAM10000 veri kümesi, ISIC 2019, DermQuest-DermIS, ISIC 2017, ISIC 2016, MED-NODE, PH2 veri kümesi ve DermNet. Bu veri setlerinin tümü, Dermoskopi ile elde edilen deri lezyonlarının görüntüleri içindir. Sonuçlarımız diğer çalışmaların sonuçlarıyla karşılaştırıldı. Sekiz veri kümesine uygulandığında, önerilen model doğruluk, duyarlılık, özgüllük ve kesinlik açısından yüksek tanı oranları elde etti.