Maymun çiçeği hastalığını içeren cilt lezyonu görüntülerinin transformatör tabanlı derin öğrenme mimarileri kullanılarak çoklu sınıflandırılması

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.