Derin öğrenme yöntemleri kullanılarak deri lezyon görüntülerinden maymun çiçeği hastalığının tespiti

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.