Yazar "Engin, Muhammet Talha" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Derin öğrenme yöntemleri kullanılarak deri lezyon görüntülerinden maymun çiçeği hastalığının tespiti
    (Aksaray Üniversitesi Sosyal Bilimler Enstitüsü, 2023) Engin, Muhammet Talha; Adem, Kemal
    Maymun çiçeği hastalığı virüsü, COVID-19'dan kurtulmaya çalışırken yeni bir salgın tehdidi oluşturmaktadır. Maymun çiçeği hastalığı, COVID-19 kadar ölümcül ve bulaşıcı olmasa da her gün yeni hasta vakaları kaydedilerek küresel bir salgına dönüşme potansiyeli göstermektedir. Tıbbi görüntüleme alanında Derin Öğrenme teknikleri, bir kişinin hangi hastalığa sahip olduğunu tespit etme konusunda umut vericidir. Maymun çiçeği virüsü bulaşmış deri lezyon görüntüleri, hastalığın erken teşhisi için kullanılabilir. Ancak Dünya Sağlık Örgütü tarafından onaylanmış bir veritabanı mevcut değildir. Derin öğrenme modellerini eğitmek için doğru bir şekilde görüntü veri kümesi oluşturmak önemlidir. Bu çalışma, iki bölümden oluşmaktadır. İlk bölüm, Monkeypox Skin Image Dataset (MSID) veri kümesi ile eğitilmiş bir derin öğrenme modeli sunmaktadır. İkinci bölüm ise Monkeypox Skin Image Dataset (MSID), Monkeypox Master (MM) ve Monkeypox Orijinal İmages (MOI) veri kümelerinden oluşturulan birleştirilmiş bir veri kümesi ile eğitilmiş bir derin öğrenme modeli sunmaktadır. Bu görüntüler, çeşitli açık kaynak ve çevrimiçi kaynaklardan toplanmış olup araştırma amaçlı kullanıma uygundur. Bu çalışmada, DenseNet201, InceptionResNetV2, InceptionV3, NASNetLarge ve Xception olmak üzere beş farklı derin öğrenme modeli, oluşturulan iki farklı veritabanında denenmiş ve karşılaştırılmıştır. Artırılmış veri kümeleri bu çalışmada kullanılarak, maymun çiçeği hastalığını %99,33 ve %98,52 doğruluk oranlarıyla sırayla MSID ve HIBRID veri kümelerinde tanımlayabilen DenseNet201 modeli değerlendirilmiş ve önerilmiştir. Önerilen model, olası bir pandeminin önüne geçerek insan sağlığını korumaya yardımcı olarak insan sağlığının korunmasına katkıda bulunacaktır.
  • Küçük Resim
    Öğe
    Detection of Monkeypox disease from skin lesion images using deep learning methods
    (Niğde Ömer Halisdemir Üniversitesi, 2024) Engin, Muhammet Talha; Adem, Kemal
    Monkeypox is a disease that, while less deadly and contagious than COVID-19, could pose a global pandemic threat. In the field of medical imaging, deep learning techniques offer promising results in the diagnosis of diseases. This study develops deep learning models using skin lesion images for early diagnosis of monkeypox. The research is divided into two key sections. In the first section, a deep learning model is developed using the Monkeypox Skin Image Dataset (MSID). The second section focuses on a model trained on a combined dataset, which merges the Monkeypox Skin Image, Monkeypox Master, and Monkeypox Original Image Datasets, referred to as HYBRID. The MSID dataset comprises 806 Monkeypox and 690 Non-Monkeypox images for training, along with 309 Monkeypox and 292 Non-Monkeypox images for testing, resulting in a total of 2,097 images of skin lesions with and without monkeypox. The HYBRID dataset includes 1,088 Monkeypox and 1,896 Non-Monkeypox images for training, as well as 468 Monkeypox and 812 Non-Monkeypox images for testing, resulting in a total of 4,264 skin lesion images. Five distinct deep learning models—DenseNet201, InceptionResNetV2, InceptionV3, NASNetLarge, and Xception—were applied to both datasets, and the outcomes were compared. The DenseNet201 model, when trained on augmented data, demonstrated remarkable performance in detecting monkeypox, achieving accuracy rates of 99.33% on the MSID dataset and 98.52% on the HYBRID dataset.