Dermoskopik Görüntülerin Sinir Ağları Kullanılarak Sınıflandırılması

Abstract

Kanser türleri arasında melanom en ölümcül olanlarından bir tanesidir. Amerikan Kanser Topluluğunun 2016 raporuna göre Birleşik Devletler’de yaklaşık 76380 kişide yeni vaka teşhis edileceği ve bunlardan yaklaşık 10130 kişinin bu sebepten dolayı hayatını kaybedeceği tahmin edilmektedir. Melanom cilt kanserlerinin 2%’sinden daha azını oluştursa da, cilt kanserinden ölenlerin çoğuna melanom sebep olmaktadır. Melanom kaynaklı ölümleri azaltmanın en temel yolu melanomu erken teşhis etmektir. Dermatologlar melanomların teşhisi için yaygın olarak dermoskopi isimli yöntemi kullanmaktadır. Bu yöntemde hastaya cerrahi bir müdahalede bulunulmaz. Lezyon üzerine bir jel sürülür ve büyütme cihazıyla, kullanılan cihaza bağlı olarak, lezyon 6-100 kat büyütülür. Bu büyütülmüş görüntüler üzerinde ABCD kuralı, Menzies yöntemi ve yedi nokta kontrol listesi gibi tanı yöntemleri kullanılarak cilt lezyonunu değerlendirmeye tabi tutulur. ABCD kuralı her lezyona bir skor atanmasını sağlar. Bu skor dört farklı özelliğin ayrı ayrı puanlandırılmasının (asimetri (Asymmetry), kenar (Border), renk (Colors), farklı yapılar (Differential Structures)) ardından skorların birleştirilmesinden oluşur. Menzies yöntemi negatif (simetrik desenler, tek renk) ve pozitif (mavi-beyaz peçe, atipikal yapılar vb.) olmak üzere iki farklı özelliğe dayanmaktadır. Pozitif özelliklerin varlığı melanoma işaret eder. Son olarak yedi nokta kontrol listesi de lezyonları puanlandırır. Fakat bu yöntemde sadece farklı yapıların olup olmadığına bakılır ve her yapıya 2 ya da 1 olarak puan atanır. Eğer toplam skor 3’ün üzerinde ise bu durum lezyonun melanom olduğuna dair önemli bir işarettir. Bahsedilen yöntemler kullanılsa bile melanomların tespiti yine de sübjektif olarak yapılmaktadır. Çünkü tespit edilmesi doktorun görmesine ve tecrübesine dayanmaktadır. Bilgisayarlarla yapılacak dermoskopik görüntü analizi bu tür sübjektif durumların önüne geçmek için ve melanom tespitinin duyarlılığını artırmak için kullanılabilir. Son yıllarda bu hastalığın bilgisayarlı teknolojilerle tespit edilmesi için büyük bir çaba gösterilmektedir. Bu tezde, dermoskopik görüntülerin farklı özelliklerini kullanan yeni yöntemler önerilmekte ve bu yöntemler karşılaştırılmaktadır. Dermoskopik lezyon görüntülerinin sınıflandırılmasında kullanılan yöntemler arasında ABCD kuralı tabanlı yöntem, istatiksel özelliklere dayanan yöntem ve doku özelliklerini kullanan yöntem bulunmaktadır. Dermoskopik görüntülerin özellikleri çıkarılarak bu yöntemlerle sınıflandırılmıştır. Bunların dışında dermoskopik görüntünün renk özellikleri ve desen özellikleri çıkartılarak kutu grafik yöntemiyle el yordamıyla bütün öznitelikler kontrol edilmiş ve bu özniteliklerden en ayırt edici olanlar seçilerek ayrıca lezyon görüntüleri sınıflandırılmıştır. Bu yöntemin de kısmen öznel bir tarafı bulunmasına rağmen yine de özniteliklerin ayırt ediciliğinden faydalandığı için nesnel tarafı da bulunmaktadır. Bu öznitelikler ayrıca otomatik olarak da ayırt ediciliklerine karar verilebilir. Bu kullanılan kutu grafik yönteminin de sonuçların doğruluğunu artırdığı gösterilmiştir. ABCD kuralı tabanlı özellikler, lezyon kenarlarının Fourier tanımlayıcılarının büyüklük ve fazlarını, lezyonun yarıçap histogramını ve lezyonun orantısal büyüklüğünü içermektedir. Bu özelliklerin hepsi bütün olarak ve ayrı ayrı test edilmiştir. Dokunun istatiksel öznitelikleri lezyon görüntüsünün birinci-derece istatiksel özniteliklerini ve ikinci derece istatiksel özniteliklerini içermektedir. Lezyon görüntüleri 128x128 yamalar olarak bölünmüş ve birinci-derece ve ikinci-derece öznitelikleri çıkartılmıştır. Birinci-derece öznitelikleri, ortalama, varyans, kayıklık, kürtosis, enerji ve entropiyi içermektedir. İkinci-derece öznitelikler korelasyon, kontrast, ters fark, entropi ve maksimum olasılığı içermektedir. Doku özniteliklerinin çıkarılması için dalgacık dönüşümünden yararlanılmıştır. Dalgacık dönüşümü öznitelikleri, 2-boyutlu dalgacık dönüşümü 4. seviyeye kadar uygulandıktan sonra, yatay, dikey ve köşegen detayların enerji yüzdelerinin çıkartılmasından oluşur. Bunlar dermoskopik görüntü özellikleri olarak kullanılmıştır. Kutu grafik yönteminde ise lezyon görüntülerinin renk öznitelikleri ve desen özniteliklerinden yararlanılmıştır. Bu öznitelikler daha sonra kutu grafik yöntemiyle değerlendirmeye tabi tutulmuş ve sadece ayırt edici öznitelikler kullanılarak sınıflandırma yapılmıştır. Sınıflandırma için çok katmanlı yapay sinir ağlarından(ÇKYSA) yararlanılmıştır. ÇKYSA üzerinde geri yayılımlı öğrenme algoritması kullanılmıştır. Gizli katmanın boyutu en iyi sonucu verecek şekilde belirlenmiştir. Bu tezde, PH$^2$ dermoskopik görüntü veri tabanı kullanılmıştır. Bu veri tabanında toplamda 200 görüntü bulunmaktadır. Bunlardan 40 tanesi melanom ve 160 tanesi melanom değildir. Bu görüntülerin 180 tanesi 10-katlı çapraz doğrulama ile YSA'yı eğitmek için kullanılmıştır. 20 tanesi ise test kümesi olarak kullanıldı. Yapılan testler sonucunda en başarılı sonuçlar ABCD kuralı tabanlı sistemden alınmıştır. ABCD kuralı tabanlı sistemde başarı duyarlılık = 72.22%'ye ve özgüllük = 93.75%'e ulaşmıştır. Kutu grafik metodu kullanılarak yapılan sınıflandırmada ise duyarlılık oranı 92.5% ve özgüllük oranı 87.5% olarak tespit edilmiştir. Bu yöntemde genel olarak doğruluk yükselmiş olsa da özgüllük oranın düştüğü görülmüştür. Duyarlılık oranın düşük olmasının temel sebepleri arasında veri kümesinin boyutunun küçük olması yatmaktadır. Bu tür veri kümelerinde genellikle pozitif örneklerin frekansı düşük olmaktadır. Bu nedenle veri kümesinde negatif örneklere doğru kaçınılmaz bir meyil oluşmaktadır. Bu da özgüllük oranının duyarlılık oranına göre nispeten fazla olmasına neden olmaktadır. ABCD kuralı tabanlı yöntemde kullanılan lezyon kenarlarının Fourier tanımlayıcılarının alınan lezyon görüntülerin bazı lezyonlarda lezyonun tamamını içermediği için tam olarak istenen sonucu vermediği söylenebilir. Bu nedenle lezyon görüntüleri alınırken lezyonun bütünlüğünün bozulmaması doğruluğu artırıcı önemli bir faktör olarak görülmektedir. Bunun yanında bazı melanom cilt lezyonları iyi huylu lezyonlara fiziksel olarak ciddi oranda benzemektedir. Aynı şekilde bazı iyi huylu lezyonlar da melanom lezyonlara benzemektedir. Bu nedenle bunları dermatolojinin şimdiye kadar ortaya koyduğu teorik alt yapı ile belirlenebilmesi mümkün olmayabilir. Dermatolojide geliştirilecek olan yeni yöntemlerin bu tür bilgisayar destekli sistemlerin doğruluğunu artıracağı düşünülebilir.

Melanoma is amongst one of the deadliest form of cancer. American Cancer Society reports that in 2016, about 76,380 new melanomas will be diagnosed and about 10,130 people are expected to die of melanoma in U.S. Even though melanoma constitutes less than 2% of skin cancer, this type of skin cancer represents the majority of deaths caused by skin cancer. The most basic way to reduce mortality due to melanoma is early diagnosis. Dermatologists, use dermoscopy for scanning the skin and as a result of this scan melanomas can be detected. A gel is applied on the lesion, and depending on the lesion enlargement devices, the lesion is magnified 6-100 times. This magnified view is used to evaluate based on various medical diagnostic procedures, such as ABCD rule, seven points check-list, and Menzies method. ABCD rule allows assigning a score for each lesion. This score is calculated using four different characteristics (Asymmetry, Border, Colors, Differential Structures) of the lesion. Menzies method includes two different features: negative (symmetrical patterns, color) and positive (blue-white veil, atypical structures, etc.). The presence of positive features indicate melanoma. Finally, the lesions are scored by seven-point check-list. However, in this method, only, lesions are checked for whether there is anyone of different structures (atypical pigment network, irregular streaks, etc.) and assigned scores 2 or 1 for each structure. If the total score is higher than 3 this may indicate that the lesion is melanoma. These methods are still applied subjectively. Dermoscopy maximized rate of identification of the disease, however usually diagnosis of the disease is based on physician’s experience. Since the determination is based on the human vision and experience, there is huge effort to determine of the disease using digital techniques. Dermascopic image analysis with computers can be used to prevent subjective decisions and to maximize the accuracy of melanoma detection. In this thesis, new methods that are based on ABCD rules-motivated features, statistical features and textural features and used to classify dermoscopic lesion images are proposed and compared. Dermoscopic lesion images are classified using different features. ABCD Rules-motivated features contain radius histogram of lesions, relational size of lesions and the magnitude and the phase of Fourier descriptors of the border of segmented lesions. All of these features are used to classify the lesion images together and separately. Statistical features of texture contain first-order statistical features and second-order statistical features of the lesion images. The lesion images are divided 128x128 patches and first-order and second-order features are extracted from these patches. First-order statistical features contain mean, variance, skewness, kurtosis, energy, and entropy. Second-order features contain correlation, contrast, inverse difference, entropy, and maximum probability. These statistical features are used to classify lesion images. To extract textural features, we use wavelet transformation. In wavelet transformation features contains the percentages of energy corresponding to the horizontal, vertical, and diagonal details. These energy percentages are used as dermoscopic image features. PH2 dermoscopic images are used as database. This database contains 200 images in total. 40 of them are melanoma, 160 of them are not melanoma. 180 of the mareused to train ANN with 10-fold cross validation. 20 of them are used as a test set. According to our result the best method to classify our dermoscopic image database is ABCD rules-motivated methods. Using ABCD Rules-motivated methods, sensitivity=72.22% and specificity=93.75% are accomplished.