Maymun çiçeği lezyonlarının derin öğrenme tabanlı hibrit model ile sınıflandırılması

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.