Maymun çiçeği lezyonlarının derin öğrenme tabanlı hibrit model ile sınıflandırılması
Classification of monkeypox lesions using a deep learning-based hybrid model
- Tez No: 992735
- Danışmanlar: DR. ÖĞR. ÜYESİ ONUR İNAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, küresel bir sağlık sorunu olan maymun çiçeği (monkeypox) hastalığının cilt lezyonları üzerinden erken ve doğru tanısını desteklemek amacıyla derin öğrenme tabanlı hibrit bir model geliştirilmiştir. Geliştirilen bu model, önceden eğitilmiş dört farklı derin öğrenme mimarisinden (InceptionV3, SqueezeNet, VGG16, VGG19) otomatik olarak çıkarılan öznitelikler; yedi farklı filtre tabanlı öznitelik seçimi yöntemiyle (Information Gain, Gain Ratio, Gini Index, ReliefF, FCBF, ANOVA, Chi2) optimize edilmiştir. Elde edilen öznitelik setleri, k-En Yakın Komşuluk, Lojistik Regresyon ve Yapay Sinir Ağları gibi geleneksel makine öğrenmesi algoritmalarıyla sınıflandırılmıştır. Deneysel sonuçlar, derin özniteliklerin özellik seçimi yöntemleriyle optimize edilerek makine öğrenmesi algoritmalarıyla sınıflandırıldığı hibrit modelin, yalnızca standart transfer öğrenme temelli sınıflandırmaya kıyasla daha yüksek sınıflandırma performansı sunduğunu göstermektedir. Özellikle Information Gain ve Gain Ratio öznitelik seçimi yöntemlerinin %95 öznitelik tutma oranıyla kullanılması ve Yapay Sinir Ağları algoritması ile sınıflandırılması durumunda, 0.9510 doğruluk oranına ulaşılmıştır. Ayrıca öznitelik seçimi yapılmasının, filtre uygulanmayan durumlara kıyasla performansta sınırlı ancak tutarlı iyileşmeler sağladığı, bilgi yoğunluğunu koruyarak gereksiz gürültünün azaltılmasında etkili olduğu belirlenmiştir. Elde edilen sonuçlar, literatürde raporlanan benzer maymun çiçeği cilt lezyonu sınıflandırma çalışmalarına kıyasla rekabetçi ve daha yüksek performans değerleri sunmaktadır. Sonuç olarak bu çalışma, karmaşık mimarilere ihtiyaç duymadan, transfer öğrenme, öznitelik seçimi ve geleneksel makine öğrenmesi algoritmalarının bütünleşik kullanımının, tıbbi görüntü analizi alanında uygulanabilir, tekrarlanabilir ve yüksek performanslı bir çözüm sunduğunu ortaya koymaktadır.
Özet (Çeviri)
In this study, a deep learning-based hybrid model was developed to support the early and accurate diagnosis of monkeypox, a global health concern, through skin lesions. The proposed model utilizes features automatically extracted from four distinct pre-trained deep learning architectures (InceptionV3, SqueezeNet, VGG16, and VGG19), which were subsequently optimized using seven different filter-based feature selection methods (Information Gain, Gain Ratio, Gini Index, ReliefF, FCBF, ANOVA, and Chi2). The resulting feature sets were classified using traditional machine learning algorithms, such as k-Nearest Neighbors, Logistic Regression, and Artificial Neural Networks (ANN). Experimental results demonstrate that the hybrid model—wherein deep features are optimized via feature selection methods and classified through machine learning algorithms—yields superior classification performance compared to standard transfer learning-based classification alone. Notably, a maximum accuracy of 0.9510 was achieved by employing Information Gain and Gain Ratio feature selection methods at a 95% feature retention rate, coupled with the ANN classifier. Furthermore, it was determined that the application of feature selection leads to limited but consistent improvements in performance compared to non-filtered scenarios, effectively reducing redundant noise while preserving information density. The findings provide competitive and higher performance values relative to similar monkeypox skin lesion classification studies reported in the literature. In conclusion, this study demonstrates that the integrated use of transfer learning, feature selection, and traditional machine learning algorithms—without the need for complex architectures—offers a feasible, reproducible, and high-performance solution for medical image analysis.
Benzer Tezler
- Neutro-Swin-GNN: maymun çiçeği tanısı için nötrosofik tabanlı hibrit swin dönüştürücü ve grafik sinir ağı modeli
Neutro Swin-GNN: a neutrosophic set-based hybrid swin transformer and graph neural network model for monkeypox diagnosis
MİYASE ÇOBAN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMalatya Turgut Özal ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ESER SERT
- 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
- 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
- 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
- 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