Derin öğrenme tabanlı yöntemlerle cilt lezyonu görüntülerinden monkeypox hastalığının erken teşhisi
Early detection of monkeypox disease from skin lesion images using deep learning-based methods
- Tez No: 997723
- Danışmanlar: DOÇ. DR. ÇAĞATAY BERKE ERDAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayar destekli teşhis, Erken teşhis, Makine öğrenmesi, Makine öğrenmesi yöntemleri, Sınıflandırma, Computer assisted diagnosis, Early diagnosis, Machine learning, Machine learning methods, Classification
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Başkent Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Cilt hastalıklarının erken teşhisi, uzman dermatologlara erişimin sınırlı olduğu bölgelerde kritik öneme sahiptir. Özellikle hızlı yayılım potansiyeli taşıyan Monkeypox (MPOX) hastalığı, küresel bir sağlık tehdidi oluşturmaktadır. Bu tez çalışmasında, MPOX hastalığının erken tespiti amacıyla derin öğrenme tabanlı bir sınıflandırma yaklaşımı önerilmiştir. Çalışma kapsamında Kaggle ve Mendeley platformlarından derlenen veriler üzerinde ikili ve çok sınıflı senaryolar oluşturularak; MobileNetV2, EfficientNetB7 ve InceptionV3'ün de aralarında bulunduğu 12 farklı derin öğrenme mimarisi değerlendirilmiştir. Modellerin başarımı; doğruluk, kesinlik, duyarlılık, F1-skoru ve AUC gibi temel metriklerin yanı sıra Matthews Korelasyon Katsayısı ve özgüllük değerleriyle analiz edilmiştir. Elde edilen bulgular, özellikle Xception ve InceptionV3 modellerinin yüksek ve dengeli bir performans sergilediğini, hafif modellerin ise belirli koşullarda rekabetçi sonuçlar ürettiğini göstermiştir. Sonuçlar, geliştirilen derin öğrenme modellerinin MPOX teşhisinde güvenilir bir klinik karar destek aracı olarak kullanılma potansiyelini ortaya koymaktadır.
Özet (Çeviri)
Early detection of skin diseases is critically important in regions where access to experienced dermatologists is limited. In particular, Monkeypox (MPOX), which has a high potential for rapid spread, poses a significant global public health threat. In this thesis, a deep learning–based classification approach is proposed for the early detection of MPOX using skin lesion images. Within the scope of the study, binary and multi-class classification scenarios were constructed using datasets collected from Kaggle and Mendeley platforms. A total of twelve deep learning architectures, including MobileNetV2, EfficientNetB7, and InceptionV3, were evaluated. Model performance was analyzed using Accuracy, Precision, Recall, F1-Score, and AUC metrics, as well as Matthews Correlation Coefficient and Specificity. The experimental results indicate that Xception and InceptionV3 models achieved high and well-balanced performance, while lightweight models produced competitive results under certain conditions. Overall, the findings demonstrate that the proposed deep learning models have strong potential to be used as reliable clinical decision support tools for the diagnosis of MPOX.
Benzer Tezler
- 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
SEYFETTİN VURAN
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET AKIN
- Vit-skinnet: A novel vision transformer-based ShufflenetV3 model for efficient skin cancer detection with segmentation mechanism
Vıt-skınnet: Segmentasyon mekanizması ile etkili cilt kanserinin tespiti için yeni bir vizyon transformatör tabanlı ShufflenetV3 modeli
ABDULMOHAIMEN IBRAHIM KHALEEL AL GBURI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEFER KURNAZ
- Derin öğrenme için yenilikçi düzgünleştirme yaklaşımlarının geliştirilmesi ve medikal görüntülere uygulanması
Development of new regularization approaches for deep learning and application to medical images
KAZIM FIRILDAK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED FATİH TALU
DR. ÖĞR. ÜYESİ GAFFARİ ÇELİK
- A novel approach for hair removal in skin cancer images to enhance segmentation and classification performance.
Deri kanseri görüntülerinin sınıflandırma ve bölütleme performansını artırmak için kıl gidermede yeni bir yaklaşım
AYYAD ERRAJI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. ZAFER İŞCAN
- Derin öğrenme tabanlı cilt kanseri tespitinde veri dengesizliğinin giderilmesi ve model mimarilerinin karşılaştırmalı analizi
Eliminating data imbalance in deep learning based skin cancer detection and comparative analysis of model architectures
MAHMUT ZENGİN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EBUBEKİR ERDEM