Integrating pretrained deep neural networks with traditional classification techniques for enhanced oral cancer diagnosis

This research aims to introduce a hybrid method for the classification of oral cancer images. This methodology integrates conventional classification techniques, including Support Vector Machines (SVM), K-Nearest Neighbors (KNN), and Decision Trees, with sophisticated feature extraction from pretrained deep neural networks, including GoogleNet and MobileNetV2. The suggested strategy collects information from deep learning models to construct a robust hybrid model that enhances diagnostic accuracy. The hybrid model attains a classification accuracy of 90.01% using Quadratic SVM, reflecting a 22.36% enhancement compared to individual deep learning models. Comparative assessments demonstrate the significant performance benefits attained by the hybrid approach. The findings underscore the possibility of integrating modern deep learning techniques with traditional methods to enhance the accuracy and reliability of medical image classification, notably in the diagnostic evaluation of oral cancer.

Bu çalışma, ağız kanseri görüntülerinin sınıflandırılması için hibrit bir yöntem önermektedir. Bu yöntem, GoogleNet ve MobileNetV2 gibi önceden eğitilmiş derin sinir ağlarından sofistike özellik çıkarımı ile birlikte Destek Vektör Makineleri (SVM), K-En Yakın Komşu (KNN) ve Karar Ağaçları gibi geleneksel sınıflandırma tekniklerini birleştirir. Önerilen strateji, tanısal doğruluğu artıran sağlam bir hibrit model oluşturmak için derin öğrenme modellerinden bilgi toplar. Hibrit model, Quadratic SVM kullanarak %90.01 sınıflandırma doğruluğu elde eder ve bu, bireysel derin öğrenme modellerine kıyasla %22.36'lık bir iyileşmeyi yansıtır. Karşılaştırmalı değerlendirmeler, hibrit yaklaşımın sağladığı önemli performans avantajlarını göstermektedir. Bulgular, modern derin öğrenme tekniklerinin geleneksel yöntemlerle entegre edilmesinin, özellikle ağız kanserinin tanısal değerlendirilmesinde tıbbi görüntü sınıflandırmasının doğruluğunu ve güvenilirliğini artırma olasılığını vurgulamaktadır.