Ghostnet Tabanlı CNN Modelleri İle Cilt Kanseri Sınıflandırılması

Bu tez, dermoskopik görüntülerden cilt kanserini otomatik olarak teşhis edebilen derin öğrenme tabanlı hibrit bir model önermektedir. Amaç; tanısal doğruluğu artırırken hesaplama maliyetini azaltmaktır. Bunun için, önceden eğitilmiş (pretrained) büyük CNN modelleri ile SMOTE-ENN veri dengelemesiyle optimize edilen hafif GhostNet mimarileri birlikte kullanılmıştır.İlk yaklaşımda, ISIC 2019 veri kümesi üzerinde altı model değerlendirilmiştir: VGG16, DenseNet201, EfficientNetB7, EfficientNetV2L, ConvNeXtBase ve MobileNet. Bu aşamada ConvNeXtBase, %84,63 doğruluk ve %78 duyarlılık ile güçlü bir başlangıç performansı göstermiştir. Ancak bu büyük modellerin gerçek zamanlı uygulamalarda kullanımı, yüksek hesaplama maliyeti nedeniyle zor olmuştur. Bu kısıtlamayı aşmak için ikinci yaklaşımda, GhostNet (V1–V3) mimarileri kullanılmıştır. Bu aşamada SMOTE-ENN dengelemesi uygulanmış ve yalnızca eğitim verisi üzerinde kullanılan Ayrık Tam Bağlantılı (DFC) dikkat mekanizmasıyla model performansı artırılmıştır. Sonuç olarak GhostNet V2, büyük CNN modellerine kıyasla parametre sayısını yaklaşık %90 azaltmasına rağmen daha yüksek performans elde etmiş; %95 doğruluk, %93,9 duyarlılık ve 0,99 AUC değerlerine ulaşmıştır. Deneysel sonuçlar, hafif ve verimli modellerin yüksek doğrulukla dermatolog düzeyine yakın tanısal performans sağlayabildiğini göstermektedir. Önerilen sistem; teletıp uygulamaları ve cilt kanseri taramaları için pratik, yorumlanabilir ve gerçek zamanlı bir yapay zekâ çözümü sunmaktadır.