İstenmeyen bölgelerin çıkarılması ile k-ortalama kümeleme yöntemi kullanılarak cilt lezyonu segmentasyonu

Abstract

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.