Deri lezyonlarının bölütleme, bilgisayarlı sistemler tarafından cilt kanserinin erken ve doğru tanımlanması için
çok önemlidir. Kıllar, jel kabarcıkları, cetvel işaretleri, bulanık sınırlar ve düşük kontrast gibi zorluklar nedeniyle
dermoskopik görüntülerde cilt lezyonlarını otomatik olarak bölütleme zordur. Cilt kanseri görüntülerinde
ilgilenilen bölgenin (ROI) bölütleme için K-ortalama kümeleme ve eğitilebilir makine öğrenme sistemine dayalı
bir yöntem önerilmiştir. Önerilen yöntem, gri tonlamalı görüntüye dönüştürme, kontrast görüntü iyileştirme,
gürültü azaltma ile artefaktların ortadan kaldırılması, K-ortalama kümeleme kullanılarak görüntüden cilt
lezyonunun bölütlenmesi, eğitilebilir bir makine öğrenimi sistemine dayalı olarak istenmeyen nesnelerden ROI'nin
ayrıştırılması gibi çeşitli aşamalara dayalı olarak uygulanmıştır. Önerilen model, ISIC 2017 kamuya açık veri seti
kullanılarak değerlendirilmiştir. Önerilen yöntem, literatürdeki çeşitli yöntemlerden daha iyi performans
göstererek 90.09 doğruluk elde etti.
The segmentation of skin lesions is crucial to the early and accurate identification of skin cancer by computerized
systems. It is difficult to automatically divide skin lesions in dermoscopic images because of challenges such as
hairs, gel bubbles, ruler marks, fuzzy boundaries, and low contrast. We proposed an effective method based on K means and a trainable machine learning system to segment regions of interest (ROI) in skin cancer images. The
proposed method was implemented in several stages, including grayscale image conversion, contrast image
enhancement, artifact removal with noise reduction, skin lesion segmentation from image using K-means
clustering, and ROI segmentation from unwanted objects using a trainable machine learning system. The proposed
model has been evaluated using the ISIC 2017 publicly available dataset. The proposed method obtained a 90.09
accuracy rate, outperforming several methods in the literature.
