Maymun çiçeği hastalığını içeren cilt lezyonu görüntülerinin transformatör tabanlı derin öğrenme mimarileri kullanılarak çoklu sınıflandırılması
Multi-classification of skin lesion images including mpox disease using transformer-based deep learning architectures
- Tez No: 946508
- Danışmanlar: PROF. DR. MEHMET AKIN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 107
Özet
Dünya Sağlık Örgütü tarafından bildirildiği üzere Maymun Çiçeği (Mpox), çoğunluğu Güney Asya ve Afrika'da olmak üzere 110 ülkede görülen önemli bir hastalıktır. Mpox vakalarının sayısı hızla artmıştır ve tıp dünyası yeni bir pandeminin ortaya çıkmasından endişe etmektedir. Mpox'un geleneksel yöntemlerle (test kitleri kullanılarak) tespit edilmesi maliyetli ve yavaş bir süreçtir. Bu nedenle, yüksek başarı oranlarına sahip ve derin öğrenme tabanlı otonom bir yöntemle cilt görüntülerinden Mpox hastalığını teşhis edebilecek yöntemlere ihtiyaç vardır. Bu çalışmada, Mpox hastalığı da dâhil olmak üzere, transformatör tabanlı derin öğrenme mimarileri ve cilt lezyon görüntülerini kullanarak çok sınıflı, hızlı ve güvenilir bir otonom hastalık teşhis modeli öneriyoruz. Diğer amacımız, çok sınıflı cilt lezyonu görüntüleri transformatör tabanlı derin öğrenme mimarileri ile eğitildiğinde, kendi kendine gözetimli öğrenme, kendi kendine damıtma ve kaydırılmış pencere tekniklerinin sınıflandırma başarısı üzerindeki etkilerini araştırmaktır. Çalışmanın eğitim, doğrulama ve test süreçlerinde 2024 yılında kamuya açık olarak yayınlanan Mpox Cilt Lezyonu Veri Seti, Sürüm 2.0 kullanılmıştır. Çalışmamızda önerdiğimiz SwinTransformer mimarisi, literatürdeki en yakın rakibine kıyasla yaklaşık %8 daha yüksek doğruluk değerlendirme metriği sınıflandırma başarısı elde etmiştir. ViT, MAE, DINO ve SwinTransformer mimarileri sırasıyla %93,10, %84,60, %90,40 ve %93,71 doğruluk sınıflandırma başarısı elde etmiştir. Çalışmada elde edilen sonuçlar, Mpox hastalığı ve diğer cilt lezyonu görüntülerinin yüksek başarıyla teşhis edilebileceğini ve doktorlara karar vermede destek olabileceğini göstermiştir. Ayrıca çalışma, transformatör tabanlı mimari ve kullanılacak teknik açısından görüntü sayısının az olduğu diğer tıp alanlarında da kullanılabilecek önemli sonuçlar sunmaktadır.
Özet (Çeviri)
As reported by the World Health Organization, mpox (monkeypox) is an important disease present in 110 countries, mostly in South Asia and Africa. The number of Mpox cases has increased rapidly, and the medical world is worried about the emergence of a new pandemic. Detection of Mpox by traditional methods (using test kits) is a costly and slow process. For this reason, there is a need for methods that have high success rates and can diagnose Mpox disease from skin images with a deep-learning-based autonomous method. In this work, we propose a multi-class, fast and reliable autonomous disease diagnosis model using transformer-based deep learning architectures and skin lesion images, including for Mpox disease. Our other aim is to investigate the effects of self-supervised learning, self-distillation, and shifted window techniques on classification success when multi-class skin lesion images are trained with transformer-based deep learning architectures. The Mpox Skin Lesion Dataset, Version 2.0, which was publicly released in 2024, was used in the training, validation, and testing processes of the study. The SwinTransformer architecture we proposed in our study achieved about 8% higher accuracy evaluation metric classification success compared to its closest competitor in the literature. ViT, MAE, DINO, and SwinTransformer architectures achieved 93.10%, 84.60%, 90.40%, and 93.71% accuracy classification success, respectively. The results obtained in the study showed that Mpox disease and other skin lesion images can be diagnosed with high success and can support doctors in decision-making. In addition, the study provides important results that can be used in other medical fields where the number of images is low in terms of transformer-based architecture and technique to use.
Benzer Tezler
- AI-Augmented 3dp microfluidic bio-reaction system for point-of-care detection of mpox via LAMP-on-a-chip
Maymun çiçeği hastalığını bakım noktasında teşhisi amacıyla 3B mikroakışkan sistemin geliştirilmesi
MEHMET TUĞRUL BİRTEK
Doktora
İngilizce
2025
BiyomühendislikKoç ÜniversitesiBiyomedikal Bilimler ve Mühendislik Ana Bilim Dalı
DOÇ. DR. SAVAŞ TAŞOĞLU
- 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
- 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
- Prediction of monkeypox infection from clinical symptoms with adaptive artificial bee colony-based deep neural network
Adaptif yapay arı koloni tabanlı derin sinir ağı ile klinik belirtilerden maymun çiçeği enfeksiyonunun tahmini
AHMED MUHAMMED KALO HAMDAN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DURSUN EKMEKCİ
- Görüntü sınıflandırması için evrişimsel sinir ağı-metasezgisel algoritmalar tabanlı yeni bir hibrit yaklaşım geliştirilmesi
Development of a novel hybrid approach based on convolutional neural networks-metaheuristic algorithms for image classification
SEDA VAROL
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMalatya Turgut Özal ÜniversitesiEnformatik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SONER KIZILOLUK