Dengesiz cilt lezyonu veri setlerinde GAN tabanlı veri artırımı ile derin öğrenme sınıflandırma performansının iyileştirilmesi

Abstract

Bu çalışmada, dengesiz cilt lezyonu veri setlerinin derin öğrenme modelleri üzerindeki etkisi incelenmiştir. Özellikle nadir fakat klinik açıdan kritik öneme sahip malign lezyonların doğru şekilde tespit edilmesi hedeflenmiştir. Bu doğrultuda, veri setindeki sınıf dengesizliği problemini gidermek amacıyla Derin Evrişimli Üretici Karşıt Ağlar (DCGAN) ve klasik veri artırma tekniklerini bir arada kullanan hibrit bir veri dengeleme yaklaşımı uygulanmıştır. Çalışmada HAM10000 veri setindeki dermatolojik görüntüler; dermatofibroma, vasküler lezyonlar ve diğer yaygın sınıfları içerecek şekilde düzenlenmiş ve hem orijinal dengesiz veri seti hem de yalnızca eğitim kümesine sentetik verilerin eklendiği dengelenmiş veri seti üzerinde analiz edilmiştir.

Söz konusu veriler derin öğrenme tabanlı sınıflandırma modelleri kullanılarak işlenmiş ve DenseNet121, ResNet50, VGG16, EfficientNetB0 ve ConvNeXt mimarileri ile karşılaştırmalı deneyler gerçekleştirilmiştir. Model eğitim sürecinde veri sızıntısını önlemek amacıyla sentetik veriler yalnızca eğitim setine dahil edilmiş, test seti ise gerçek verilerden oluşturulmuştur. Modellerin performansı doğruluk, Macro-Kesinlik, Macro-Duyarlılık ve Macro-F1 skoru metrikleriyle analiz edilmiştir. Elde edilen sonuçlar, dengesiz veri seti ile eğitilen modellerin yüksek doğruluk değerlerine ulaşmasına rağmen "Doğruluk Paradoksu" nedeniyle azınlık sınıflarını tespit etmekte yetersiz kaldığını göstermiştir.

Önerilen hibrit dengeleme yöntemi ile eğitilen modellerde ise, klinik açıdan kritik azınlık sınıflarına ait duyarlılık (recall) değerlerinde belirgin iyileşmeler elde edilmiş; özellikle melanom sınıfında yanlış negatiflerin (kaçırılan malign vakaların) sayısı önemli ölçüde azalmıştır. Bu duyarlılık kazanımı, kesinlik ve genel doğrulukta sınırlı bir düşüşle birlikte geldiğinden, Macro-F1 skorundaki değişim modelden modele farklılık göstermiştir. Ayrıca, sınıf bazında elde edilen iyileşmelerin, üretilen sentetik görüntülerin kalitesiyle (FID skorlarıyla) doğrudan ilişkili olduğu gözlemlenmiştir.

Sonuç olarak, bu çalışmada önerilen GAN destekli hibrit veri artırma yaklaşımı, dengesiz veri setleri ile çalışan derin öğrenme modellerinde nadir ve klinik açıdan kritik lezyonların tespit duyarlılığını artırarak yanlış negatifleri azaltmış ve böylece klinik karar destek sistemlerinin güvenilirliğine anlamlı bir katkı sağlamıştır. Gelecekte yapılacak çalışmalarda, daha yüksek kaliteli sentetik görüntü üreten gelişmiş üretici modellerin ve sınıf dengesizliğine duyarlı kayıp fonksiyonlarının kullanılması, model performansını daha da artırabilir.In this study, the impact of imbalanced skin lesion datasets on deep learning models is investigated, with a particular focus on improving the detection of rare but clinically critical malignant lesions. To address the class imbalance problem, a hybrid data balancing approach combining Deep Convolutional Generative Adversarial Networks (DCGAN) and conventional data augmentation techniques is proposed. Within the scope of the study, dermatological images from the HAM10000 dataset, including classes such as dermatofibroma, vascular lesions, and other common categories, are utilized. Analyses are conducted on both the original imbalanced dataset and a balanced dataset created by adding synthetic images exclusively to the training set.

The data are processed using deep learning-based classification models, and comparative experiments are performed using DenseNet121, ResNet50, VGG16, EfficientNetB0, and ConvNeXt architectures. During the training process, synthetic data are incorporated only into the training set to prevent data leakage, while the test set consists solely of real images. Model performance is evaluated using Accuracy, Macro-Precision, Macro-Recall, and Macro-F1 Score. The results reveal that models trained on the imbalanced dataset achieve high accuracy; however, they suffer from the Accuracy Paradox, remaining inadequate at detecting minority classes. In contrast, models trained using the proposed hybrid balancing approach achieve substantial improvements in the recall (sensitivity) of clinically critical minority classes. In particular, the number of false negatives (missed malignant cases) in the melanoma class is markedly reduced. Since this improvement in sensitivity is accompanied by a limited decrease in precision and overall accuracy, changes in the Macro-F1 Score vary across different models. Moreover, the class-wise improvements are observed to be directly associated with the quality of the generated synthetic images, as measured by FID scores.

In conclusion, the GAN-supported hybrid data augmentation strategy proposed in this study improves the detection sensitivity of rare and clinically critical lesions in deep learning models trained on imbalanced datasets. By reducing false negatives, it provides a meaningful contribution to the reliability of clinical decision support systems. Future studies may focus on employing advanced generative models capable of producing higher-quality synthetic images, as well as class-imbalance-aware loss functions, to further enhance model performance.