Maymun çiçeği hastalığının derin öğrenme teknikleri ile tespiti ve sınıflandırılması
Detection and classification of mpox disease using deep learning techniques
- Tez No: 1023239
- Danışmanlar: DOÇ. DR. AHMET SAYGILI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayarlı görüntüleme, Bulaşıcı hastalıklar, Deri hastalıkları, Computer imaging, Communicable diseases, Skin diseases
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Tekirdağ Namık Kemal Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İlk vakaları 1970 yılında Afrika ülkelerinde görülen maymun çiçeği hastalığı, 2022 yılı itibarıyla diğer ülkelerde de görülüp vaka sayılarının hızla artmasıyla ciddi bir tehdit haline gelmiştir. Bilgisayarlı görü de tıp alanında erken ve doğru teşhis için umut verici ilerlemeler kaydedilmiştir. Deneysel çalışmalar da Kaggle ve Mendeley platformlarından elde edilen (MCSI, MSLD, MSID, Monkey Detection Dataset 2024 ve Monkeypox Dataset) beş farklı veri seti kullanılmıştır. Kullanılan bu veri setleriyle maymun çiçeği hastalığı için çeşitli derin öğrenme teknikleri uygulanarak sınıflandırma işlemi gerçekleştirilmesi amaçlanmıştır. Bu amaçla dört farklı hibrit model geliştirilirken transfer öğrenme tabanlı evrişimsel sinir ağları (NASNetMobile, ResNet50V2, InceptionV3), Vision Transformer ve Transformer Encoder yaklaşımlarının yanı sıra az sayıda örnekle öğrenme (Few-Shot Learning) ve mRMR özellik seçme yöntemleri kullanılmıştır. MCSI veri setinde en yüksek doğruluk oranı %96,00 ile az sayıda örnekle öğrenme hibrit modeli tarafından elde edilmiştir. MSLD veri setinde en yüksek doğruluk oranı %92,00 ile iki farklı hibrit yaklaşım olan Vision Transformer tabanlı model ile üç CNN mimarili mRMR tabanlı modelin her ikisinde de elde edilmiştir. MSID veri setindeki en yüksek doğruluk oranı, Vision Transformer tabanlı hibrit model ile %90,12 olarak elde edilmiştir. Monkey Detection Dataset 2024 veri setinde en yüksek performans, %99,12 doğruluk ve %99,12 F1 skoru ile Vision Transformer tabanlı hibrit model ve üç CNN mimarili mRMR tabanlı hibrit model olmak üzere iki farklı yaklaşımda da elde edilmiştir. Monkeypox veri setinde ise en yüksek performans, üç CNN mimarili mRMR hibrit modeli ile %94,05 olarak elde edilmiştir. Elde edilen sonuçlar, önerilen hibrit modellerin farklı veri setlerinde başarılı sınıflandırma performansı sergileyerek maymun çiçeği hastalığının görüntü tabanlı teşhisinde etkili ve güvenilir bir yaklaşım sunduğunu göstermiştir.
Özet (Çeviri)
Monkeypox, first seen in African countries in 1970, has become a serious threat by 2022, with cases rapidly increasing in other countries. Computer vision has made promising progress in medicine for early and accurate diagnosis. Experimental studies utilized five different datasets (MCSI, MSLD, MSID, Monkey Detection Dataset 2024, and Monkeypox Dataset) obtained from Kaggle and Mendeley platforms. The aim was to perform classification using various deep learning techniques for monkeypox with these datasets. For this purpose, four different hybrid models were developed, employing transfer learning-based convolutional neural networks (NASNetMobile, ResNet50V2, InceptionV3), Vision Transformer and Transformer Encoder approaches, as well as Few-Shot Learning and mRMR feature selection methods. The highest accuracy rate of 96.00% was achieved with the Few-Shot Learning- hybrid model in the MCSI dataset. In the MSLD dataset, the highest accuracy rate of 92.00% was obtained with both of the two hybrid approaches: the Vision Transformer-based model and the three-CNN architecture mRMR-based model. In the MSID dataset, the highest accuracy rate was obtained with the Vision Transformer-based hybrid model at 90.12%. In the Monkey Detection Dataset 2024, the highest performance was achieved with both the Vision Transformer-based hybrid model and the three-CNN architecture mRMR-based hybrid model, with 99.12% accuracy and a 99.12% F1 score. In the Monkeypox Dataset, the highest performance was obtained with the three-CNN architecture mRMR hybrid model at 94.05%. The results show that the proposed hybrid models exhibit successful classification performance in different datasets, offering an effective and reliable approach for image-based diagnosis of monkeypox.
Benzer Tezler
- Cilt hastalıklarının derin öğrenme modelleri kullanılarak tespiti ve sınıflandırılması
Detection and classification of skin diseasesusing deep learning models
AKSA ÖZER
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMalatya Turgut Özal ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED YILDIRIM
- Maymun çiçeği cilt lezyonunun tespiti için derin öğrenme yöntemlerinde optimizasyon tabanlı özellik seçimi
Optimization-based feature selection in deep learning methods for monkeypox skin lesion detection
AHMET CİRAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDAL ÖZBAY
- Derin öğrenme yöntemleri kullanılarak deri lezyon görüntülerinden maymun çiçeği hastalığının tespiti
Detecting monkeypox disease from skin lesion images using deep learning methods
MUHAMMET TALHA ENGİN
Yüksek Lisans
Türkçe
2023
Yönetim Bilişim SistemleriAksaray ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. KEMAL ADEM
- A lightweight deep learning approach for skin disease detection
Deri hastalıkları tespiti için hafif derin öğrenme yaklaşımı
VAHAP BAHADIR BABACAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAdana Alparslan Türkeş Bilim ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YASİN KAYA
- Maymun çiçeği lezyonlarının derin öğrenme tabanlı hibrit model ile sınıflandırılması
Classification of monkeypox lesions using a deep learning-based hybrid model
MUSTAFA KEMAL TOPÇU
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR İNAN