Derin öğrenme yöntemleri kullanılarak deri lezyon görüntülerinden maymun çiçeği hastalığının tespiti
Yükleniyor...
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Aksaray Üniversitesi Sosyal Bilimler Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
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.
Monkeypox disease virus, while trying to recover from COVID-19, poses a new outbreak threat. Although Monkeypox disease is not as deadly and contagious as COVID-19, it has the potential to evolve into a global pandemic with new cases being reported daily. Deep Learning techniques in medical imaging offer promising prospects for identifying which disease a person has. Images of skin lesions infected with Monkeypox virus can be used for early detection of the disease. However, there is currently no approved database by the World Health Organization. It is crucial to create a proper image dataset to train deep learning models accurately. This study consists of two parts. The first part presents a deep learning model trained with the Monkeypox Skin Image Dataset (MSID). The second part presents a deep learning model trained with a combined dataset created from Monkeypox Skin Image Dataset (MSID), Monkeypox Master (MM), and Monkeypox Original Images (MOI) datasets. These images are collected from various open-source and online sources and suitable for research purposes. In this study, five different deep learning models, namely DenseNet201, InceptionResNetV2, InceptionV3, NASNetLarge, and Xception, are tested and compared on the two created databases. By utilizing augmented datasets, the DenseNet201 model is evaluated and recommended, achieving identification of monkeypox disease with an accuracy of 99.33% and 98.52% on the MSID and HYBRID datasets, respectively. The proposed model contributes to the preservation of human health by preventing a potential pandemic.
Monkeypox disease virus, while trying to recover from COVID-19, poses a new outbreak threat. Although Monkeypox disease is not as deadly and contagious as COVID-19, it has the potential to evolve into a global pandemic with new cases being reported daily. Deep Learning techniques in medical imaging offer promising prospects for identifying which disease a person has. Images of skin lesions infected with Monkeypox virus can be used for early detection of the disease. However, there is currently no approved database by the World Health Organization. It is crucial to create a proper image dataset to train deep learning models accurately. This study consists of two parts. The first part presents a deep learning model trained with the Monkeypox Skin Image Dataset (MSID). The second part presents a deep learning model trained with a combined dataset created from Monkeypox Skin Image Dataset (MSID), Monkeypox Master (MM), and Monkeypox Original Images (MOI) datasets. These images are collected from various open-source and online sources and suitable for research purposes. In this study, five different deep learning models, namely DenseNet201, InceptionResNetV2, InceptionV3, NASNetLarge, and Xception, are tested and compared on the two created databases. By utilizing augmented datasets, the DenseNet201 model is evaluated and recommended, achieving identification of monkeypox disease with an accuracy of 99.33% and 98.52% on the MSID and HYBRID datasets, respectively. The proposed model contributes to the preservation of human health by preventing a potential pandemic.
Açıklama
Anahtar Kelimeler
Maymun Çiçeği Hastalığı, Virüs, Derin Öğrenme, DenseNet201, Monkeypox Disease, Virus, Deep Learning, DenseNet201
