FCNN gürültü giderme ve inception-dilated ResNetV2 kullanan hibrit derin topluluk öğrenmesi tabanlı cilt lezyonu tespiti modellenmesi

Günlük sağlık açısından neden önemli

Cilt kanseri dünya çapında en yaygın kanserlerden biridir, ancak birçok cilt lekesi tehlikeli hale gelene kadar fark edilmeden kalır. Bu çalışma, binlerce görüntüden öğrenen gelişmiş bilgisayar sistemlerinin hekimlerin endişe verici cilt lezyonlarını daha erken ve daha güvenilir şekilde tespit etmesine nasıl yardımcı olabileceğini araştırıyor; bu, yoğun kliniklerde yükü hafifletebilir ve zamanında tedavi şansını artırabilir.

Bilgisayarlara cilt fotoğraflarını okutmaya öğretmek

Araştırmacılar, benlerin ve diğer cilt işaretlerinin ince ayrıntılarını gösteren yakın plan, büyütülmüş dermoskopik görüntülere odaklanıyor. Bu görüntüleri yorumlamak, eğitimli uzmanlar için bile; özellikle saçlar, gölgeler veya kamera gürültüsü içeren resimlerde, zordur. Ekip, gerçek dünya görüntülerinin kusurlu ve düzensiz kalitesiyle başa çıkarken melanom dahil farklı cilt lezyonu türlerini yüksek doğrulukla ayırabilen bir bilgisayar destekli tanı sistemi oluşturmayı amaçlıyor.

Karar vermeden önce görüntüyü temizlemek

Sistemin ilk adımı, her cilt görüntüsünü görüntü onarımı için tasarlanmış bir sinir ağı türüyle temizlemektir. Bu model, lezyonun şeklini ve rengini tanımlayan kenarları ve dokuları korurken lekeler, artefaktlar ve diğer görsel gürültüleri kaldırmayı öğrenir. Birden çok ilişkili görüntü üzerinde aynı anda eğitilerek ve benzer bölgeler karşılaştırılarak yöntem, cilt lezyonunun daha net bir versiyonunu üretir. Bu daha temiz girdi, dağınık saçlar, ışık parlaması veya arka plan dokusunun algoritmanın sonraki aşamalarını yanıltma riskini azaltır.

Birçok ölçekte gizli desenleri bulmak

Görüntüler gürültüden arındırıldıktan sonra, ikinci bir derin ağ insan gözünün kolayca ayıramayacağı desenleri arar. Bu ağ, küçük düzensiz kenarlar gibi ince detayları ve genel renk dağılımı gibi daha geniş desenleri yakalayacak şekilde oluşturulmuştur. Bunu, farklı filtre boyutları ve hem yerel detayları hem de daha geniş bağlamı görmeyi sağlayan özel bir düzen kullanarak yapar; bu, hesaplama miktarının patlamasını önler. Artıklık bağlantıları (residual connections), bilgilerin çok katmanlı yapıda sorunsuz akmasını sağlar, böylece model önemli görsel ipuçlarını kaybetmeden her lezyon için zengin betimlemeler oluşturabilir.

Nihai karar için birkaç "görüş"ü birleştirmek

Yazarlarsa tek bir sınıflandırıcıya güvenmek yerine, her biri farklı bir güçlü yön getiren üç farklı derin öğrenme modelinden oluşan bir üçlü kullanır. Bir model çıkarılan özelliklerde sıralı ilişkileri yakalamada iyiyken, bir diğeri katmanlı istatistiksel yapıyı öğrenir ve üçüncüsü beyin hücrelerinden esinlenen atım (spiking) aktivitesini taklit ederek zamanlama ve desen değişikliklerini verimli biçimde işler. Sistem, her modelin doğrulama verilerindeki performansına göre nihai kararda ağırlığını belirleyen ağırlıklı bir kural kullanarak çıktıları harmanlar. Bu topluluk, melanom ve birkaç diğer yaygın lezyon türünü içeren dokuz sınıflı kamuya açık bir cilt kanseri veri kümesi üzerinde eğitilip test edilmiştir.

Sistemin performansı ve hâlâ çözülmesi gerekenler

Bu veri kümesinde birleşik sistem test görüntülerinin yaklaşık %99’unu doğru sınıflandırıyor ve lezyon türlerini ayırma konusunda yüksek puanlara ulaşarak önceki birçok derin öğrenme yaklaşımını geride bırakıyor. Ayrıca birkaç popüler görsel transformer modeline göre daha hızlı çalışıyor ve daha az bellek kullanıyor; bu da gerçek dünya kullanımı için daha pratik kılıyor. Ancak yazarlar, az sayıda örneğe sahip nadir lezyon kategorilerinde performansın bir miktar düştüğünü ve verilerin nispeten benzer görüntüleme koşulları ve popülasyonlardan geldiğini not ediyor. Farklı klinikler, kameralar ve ten tonlarına genelleme yapmanın hâlâ açık bir zorluk olduğunu ve tıbbi personelin otomatik çıktılara güvenmeden önce net açıklamalara ihtiyaç duyacağını uyarıyorlar.

Hastalar ve klinisyenler için anlamı

Basitçe söylemek gerekirse, bu çalışma görüntü temizleme, desen keşfi ve çoklu derin öğrenme modellerinin dikkatle tasarlanmış kombinasyonlarının, araştırma veri kümesi üzerinde bilgisayarların birçok cilt lezyonu türünü yüksek doğrulukla ayırt etmesine yardımcı olabileceğini gösteriyor. Bu tür araçlar dermatologların yerini almasa da, bir gün şüpheli lekeleri işaretleyen, ikinci görüşleri destekleyen ve uzman taramayı az uzman bulunan bölgelere genişletmeye yardımcı olan akıllı bir asistan olarak hizmet edebilir. Bunun gerçekleşmesinden önce daha büyük ve daha çeşitli çalışmalar, nadir vakaların daha iyi ele alınması ve klinik uygulama ile daha yakın entegrasyon gerekecektir.

Atıf: Sunkavalli, J.P., Pustokhin, D., Laxmi Lydia, E. et al. Modelling of hybrid deep ensemble learning based skin lesion detection using FCNN denoising and inception-dilated ResNetV2. Sci Rep 16, 15824 (2026). https://doi.org/10.1038/s41598-026-47053-0

Anahtar kelimeler: cilt kanseri, dermoskopi, derin öğrenme, görüntü gürültü giderme, topluluk modelleri