MONKEYPOX DISEASE DETECTION FROM SKIN LESION IMAGES USING TRANSFER LEARNING

Hüseyin Fırat; Hüseyin Üzen

Makale detayları

MONKEYPOX DISEASE DETECTION FROM SKIN LESION IMAGES USING TRANSFER LEARNING

Yazarlar:

Hüseyin Fırat | Hüseyin Üzen

Yayıncı:

Adıyaman University

Ana Başlıklar:

Derin Öğrenme

Dergi:

Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi Vol.11 Issue 22, pp.148-164

Belge Tipi:

Makale

Yayın Tarihi:

4/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001317011

pISSN:

2149-0309

Anahtar kelimeler:

Özet:

 Monkeypox is a viral disease predominantly found in Central and West Africa, resulting from infection with the monkeypox virus. Its transmission occurs through close contact with infected individuals, manifesting as flu-like symptoms and skin rashes, often resembling chickenpox or measles, thus increasing the risk of misdiagnosis. Timely and precise diagnosis is crucial for effective medical intervention. Recently, deep learning-based transfer learning methods have emerged as a promising means to accurately differentiate monkeypox from similar diseases. This study leverages pre-trained convolutional neural networks, including VGG16, ResNet models, Xception, Inception models, DenseNet121, and DenseNet201, to create robust diagnostic models by extracting pertinent features from medical images. The Monkeypox Skin Lesion Dataset on Kaggle, comprising two classes Monkeypox and others, was employed to assess these models. Experimental findings revealed that the DenseNet201 model achieved the highest classification accuracy, reaching 95.56, highlighting its effectiveness when compared to existing literature.

 Monkeypox is a viral disease predominantly found in Central and West Africa, resulting from infection with the monkeypox virus. Its transmission occurs through close contact with infected individuals, manifesting as flu-like symptoms and skin rashes, often resembling chickenpox or measles, thus increasing the risk of misdiagnosis. Timely and precise diagnosis is crucial for effective medical intervention. Recently, deep learning-based transfer learning methods have emerged as a promising means to accurately differentiate monkeypox from similar diseases. This study leverages pre-trained convolutional neural networks, including VGG16, ResNet models, Xception, Inception models, DenseNet121, and DenseNet201, to create robust diagnostic models by extracting pertinent features from medical images. The Monkeypox Skin Lesion Dataset on Kaggle, comprising two classes Monkeypox and others, was employed to assess these models. Experimental findings revealed that the DenseNet201 model achieved the highest classification accuracy, reaching 95.56, highlighting its effectiveness when compared to existing literature.

 Monkeypox is a viral disease predominantly found in Central and West Africa, resulting from infection with the monkeypox virus. Its transmission occurs through close contact with infected individuals, manifesting as flu-like symptoms and skin rashes, often resembling chickenpox or measles, thus increasing the risk of misdiagnosis. Timely and precise diagnosis is crucial for effective medical intervention. Recently, deep learning-based transfer learning methods have emerged as a promising means to accurately differentiate monkeypox from similar diseases. This study leverages pre-trained convolutional neural networks, including VGG16, ResNet models, Xception, Inception models, DenseNet121, and DenseNet201, to create robust diagnostic models by extracting pertinent features from medical images. The Monkeypox Skin Lesion Dataset on Kaggle, comprising two classes Monkeypox and others, was employed to assess these models. Experimental findings revealed that the DenseNet201 model achieved the highest classification accuracy, reaching 95.56, highlighting its effectiveness when compared to existing literature.

 Maymun çiçeği, ağırlıklı olarak Orta ve Batı Afrikada bulunan ve maymun çiçeği virüsü enfeksiyonundan kaynaklanan viral bir hastalıktır. Bulaşma, enfeksiyon kapmış kişilerle yakın temas yoluyla meydana gelmektedir. Grip benzeri semptomlar ve deri döküntüleri şeklinde kendini göstermektedir. Çoğunlukla su çiçeği veya kızamığa benzer ve dolayısıyla yanlış teşhis riskini arttırmaktadır. Etkili tıbbi müdahale için zamanında ve kesin tanı çok önemlidir. Son zamanlarda, derin öğrenmeye dayalı transfer öğrenme yöntemleri, maymun çiçeğini benzer hastalıklardan doğru bir şekilde ayırt etmek için umut verici bir araç olarak ortaya çıkmıştır. Bu çalışma, tıbbi görüntülerden ilgili özellikleri çıkararak sağlam teşhis modelleri oluşturmak için VGG16, ResNet modelleri, Xception, Inception modelleri, DenseNet121 ve DenseNet201 dahil olmak üzere önceden eğitilmiş evrişimsel sinir ağlarından yararlanmaktadır. Bu modelleri değerlendirmek için Kaggledaki iki sınıftan MaymunÇiçeği ve diğerleri oluşan Maymun Çiçeği Cilt Lezyonu Veri Seti kullanılmıştır. Deneysel bulgular, DenseNet201 modelinin 95.56ya ulaşarak en yüksek sınıflandırma doğruluğuna ulaştığını ve mevcut literatürle karşılaştırıldığında etkinliğini öne çıkardığını ortaya koymaktadır.

Makale detayları

MONKEYPOX DISEASE DETECTION FROM SKIN LESION IMAGES USING TRANSFER LEARNING

Yazarlar:

Hüseyin Fırat | Hüseyin Üzen

Yayıncı:

Adıyaman University

Ana Başlıklar:

Derin Öğrenme

Dergi:

Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi Vol.11 Issue 22, pp.148-164

Belge Tipi:

Makale

Yayın Tarihi:

4/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001317011

pISSN:

2149-0309

Deep learning

Monkeypox disease

Transfer learning

ClassificationDerin öğrenme

Maymun çiçeği hastalığı

Transfer öğrenimi

Sınıflandırma

Sayı

Makale detayları

Yazarlar: Hüseyin Fırat | Hüseyin Üzen

Yayıncı: Adıyaman University

Ana Başlıklar: Derin Öğrenme

Dergi: Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi Vol.11 Issue 22, pp.148-164

Belge Tipi: Makale

Yayın Tarihi: 4/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001317011

pISSN: 2149-0309

Sayı

Yazarlar:

Hüseyin Fırat | Hüseyin Üzen

Yayıncı:

Adıyaman University

Ana Başlıklar:

Derin Öğrenme

Dergi:

Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi Vol.11 Issue 22, pp.148-164

Belge Tipi:

Makale

Yayın Tarihi:

4/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001317011

pISSN:

2149-0309