DENGESİZ CİLT LEZYONU VERİ SETLERİNDE GAN TABANLI VERİ ARTIRIMI İLE DERİN ÖĞRENME SINIFLANDIRMA BAŞARIMININ İYİLEŞTİRİLMESİ

Abstract

Dengesiz cilt lezyonu veri setleri, derin öğrenme modellerinin çoğunluk sınıfına karşı yanlılık geliştirmesine neden olarak, nadir fakat hayati risk taşıyan malign lezyonların tespit başarısını düşürmektedir. Bu çalışma, sınıf dengesizliği problemini ele almak amacıyla, Derin Evrişimli Üretici Karşıt Ağlar (DCGAN) ve klasik veri artırma tekniklerini birleştiren hibrit bir veri dengeleme stratejisinin sınıflandırma performansına etkisini sistematik olarak incelemektedir. Çalışma kapsamında DenseNet121, ResNet50, VGG16, EfficientNetB0 ve ConvNeXt mimarileri; orijinal dengesiz veri seti ve veri sızıntısını önlemek amacıyla yalnızca eğitim kümesine sentetik görüntülerin eklendiği dengelenmiş veri seti üzerinde karşılaştırılmıştır. Deneysel sonuçlar, dengesiz veri setinde modellerin yüksek doğruluk (%89'a varan) göstermesine rağmen "Doğruluk Paradoksu" yaşandığını ve azınlık sınıflarının (dermatofibroma, vasküler lezyonlar) tespit edilemediğini ortaya koymuştur. Önerilen hibrit dengeleme yöntemiyle eğitilen modellerde ise, genel doğrulukta marjinal bir değişim gözlemlenirken, sınıflar arası dengeyi ifade eden Macro-F1 skorlarında ortalama %21 oranında belirgin bir artış sağlanmıştır. Dengelenmiş veri setinde en kararlı başarıyı DenseNet121 (Macro-F1=0.803; Doğruluk=0.868) ve ConvNeXt modelleri sergilerken, nadir sınıfların tespit başarısı dramatik şekilde yükselmiştir. Bu bulgular, GAN destekli hibrit veri artırımının, sınırlı veri ile çalışan klinik karar destek sistemlerinin güvenilirliğini ve genelleme yeteneğini artırmada etkili bir strateji olduğunu kanıtlamaktadır.Imbalanced skin lesion datasets cause deep learning models to develop a bias towards the majority class, thereby compromising the detection performance of rare but vital malignant lesions. This study systematically investigates the impact of a hybrid data balancing strategy, combining Deep Convolutional Generative Adversarial Networks (DCGAN) and classical data augmentation techniques, on classification performance to address the class imbalance problem. Within the scope of the study, DenseNet121, ResNet50, VGG16, EfficientNetB0, and ConvNeXt architectures were compared on the original imbalanced dataset and a balanced dataset where synthetic images were added exclusively to the training set to prevent data leakage. Experimental results revealed that although the models exhibited high accuracy (up to 89%) on the imbalanced dataset, an "Accuracy Paradox" occurred, and minority classes (dermatofibroma, vascular lesions) could not be detected. In models trained with the proposed hybrid balancing method, while a marginal change was observed in overall accuracy, a significant average increase of 21% was achieved in Macro-F1 scores, which represent inter-class balance. On the balanced dataset, DenseNet121 (Macro-F1=0.803; Accuracy=0.868) and ConvNeXt models displayed the most stable performance, while the detection success of rare classes increased dramatically. These findings demonstrate that GAN-supported hybrid data augmentation is an effective strategy for enhancing the reliability and generalization capability of clinical decision support systems operating with limited data.