Melanom Tespitinde Lezyon Gruplu ve Sızıntı Denetimli Karşılaştırma: Derin Mimariler ve Klinik–El Yapımı–Derin Öznitelik Füzyonu
27.Otomatik Kontrol Ulusal Konferansı (TOK 2026), Ankara, Türkiye, 8 - 10 Ekim 2026, ss.1-7, (Tam Metin Bildiri)
- Yayın Türü: Bildiri / Tam Metin Bildiri
- Basıldığı Şehir: Ankara
- Basıldığı Ülke: Türkiye
- Sayfa Sayıları: ss.1-7
- Ankara Üniversitesi Adresli: Evet
Özet
Melanomun erken ve güvenilir biçimde saptanması, hastalığa bağlı ölüm riskinin azaltılması açısından kritiktir. Bununla birlikte görüntü düzeyinde ayırma, ayırma öncesi veri artırma ve yinelenen görüntüler bildirilen başarımı yapay olarak yükseltebilir. Bu çalışmada ISIC 2019 birleşik derlemini ana veri kaynağı alan, kesin görüntü kimliği ve dosya özeti denetimi uygulayan, lesion_id temelinde tabakalı ve gruplu ayırma yapan sızıntı denetimli bir protokol altında on ikili melanom tespit yöntemi karşılaştırılmıştır. HAM10000 ayrıca eklenmemiş, yalnızca köken ve örtüşme denetiminde kullanılmıştır; veri artırma yalnızca eğitim bölümünde uygulanmıştır. Karşılaştırma iki klasik yöntemi, altı derin mimariyi, yumuşak oylamalı topluluğu ve el yapımı, ABCD esinli ve derin öznitelikleri birleştiren hibrit yöntemi kapsamaktadır. Dengeli ikili alt küme 9.028 görüntüden (4.514/4.514) oluşmuş ve eğitim/doğrulama/test bölümlerine 6.366/1.353/1.309 görüntü olarak ayrılmıştır. Test bölümünde 649 melanom ve 660 melanom dışı görüntü bulunmaktadır. DenseNet121 en yüksek F1 değerini vermiştir (0.7763); Swin-Tiny doğruluk ve ROC-AUC’de en yüksek değerlere ulaşmıştır (0.7754 ve 0.8652). Hibrit füzyonun F1 değeri 0.7512 olup en iyi tekil mimarileri aşmamıştır. Bulgular, sızıntı denetimli ortak protokolün yöntemlerin güvenilir karşılaştırılması için temel olduğunu göstermektedir.
Early and reliable detection of melanoma is critical for reducing the risk of disease-related mortality. However, factors such as data splitting at the image level, performing data augmentation prior to splitting, and the presence of duplicate images can artificially inflate reported performance. In this study, twelve binary melanoma detection methods were compared under a leakage-controlled protocol that utilized the ISIC 2019 consolidated dataset as the primary data source, implemented strict image-ID and file-hash verification, and employed stratified, grouped splitting based on `lesion_id`. The HAM10000 dataset was not included as additional training data but was used solely for provenance and overlap verification; data augmentation was applied exclusively to the training set. The comparison encompassed two classical methods, six deep learning architectures, an ensemble model using soft voting, and a hybrid approach that combined handcrafted, ABCD-inspired features with deep-learned features. A balanced binary subset consisting of 9,028 images (4,514 melanoma / 4,514 non-melanoma) was partitioned into training, validation, and test sets, containing 6,366, 1,353, and 1,309 images, respectively. The test set comprised 649 melanoma and 660 non-melanoma images. DenseNet121 achieved the highest F1-score (0.7763), while Swin-Tiny yielded the best results in terms of accuracy (0.7754) and ROC-AUC (0.8652). The hybrid fusion approach achieved an F1-score of 0.7512, failing to outperform the best individual architectures. These findings demonstrate that a standardized, leakage-controlled protocol is essential for the reliable comparison of different methods.