Ghostnet tabanlı CNN modelleri ile 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.

This thesis presents a deep learning hybrid model for the automated diagnosis of skin cancer from dermoscopic images. The research seeks to enhance diagnostic precision as well as lower computational expenses by combining pretrained CNNs with lightweight GhostNet architectures optimized using SMOTE-ENN data balancing. The first approach utilized six pre-trained CNNs VGG16, DenseNet201, EfficientNetB7, EfficientNetV2L, ConvNeXtBase, and MobileNet on the ISIC 2019 dataset to set a strong baseline with 84.63% accuracy and 78% sensitivity of ConvNeXtBase. But these models were costly to deploy in real time. To overcome this constraint, the second approach utilized GhostNet architectures (V1–V3) with Decoupled Fully Connected (DFC) attention and SMOTE-ENN balancing only on the training data. GhostNet V2 obtained 95% accuracy, 93.9% sensitivity, and AUC of 0.99, outperforming big CNNs with parameter reduction of almost 90%. The experiments confirm that efficient models can achieve dermatologist-level diagnostic performance with high efficiency. The suggested model shows a practical, interpretable, and real-time artificial intelligence solution for teledermatology and skin cancer screening.