Maymun çiçeği hastalığının cilt lezyon görüntüleri üzerinden yapay zekâ algoritmaları ile sınıflandırılması

Abstract

Maymun çiçeği hastalığı, 2022 yılı itibariyle küresel salgın tehdidi haline gelmiş ve Dünya Sağlık Örgütü (DSÖ) önderliğinde ülkelerin salgınla mücadelede hızlı adım atmaları konusundan çalışmalar yürütülmüştür. Tanı sürecinde sıklıkla laboratuvar testleri tercih edilmektedir; ancak bulaş riski yüksek olduğundan yardımcı çözümlere de ihtiyaç vardır. Bu çalışmada, toplam 1259 cilt görüntüsünden oluşan iki sınıflı hibrit bir veri tabanı oluşturulmuştur. Maymun çiçeği ve maymun çiçeği olmayan cilt görüntülerinin sınıflandırılmasında, 8 adet önceden eğitilmiş derin öğrenme modeli kullanılmış ve yüksek performans gösteren DenseNet169, DenseNet201 ve Xception modellerinin özellik düzeyi yığınlama topluluk öğrenmesi yaklaşımıyla ara katmanlarından elde edilen özellik vektörleri birleştirilerek daha iyi seviyede sınıflandırma yapabilen model geliştirilmiştir. Yeni model, test veri seti üzerinde %99.30 doğruluğa ulaşmıştır. Modelin sınıflandırma yaparken odaklandığı bölgeleri tespit etmek için de Gradyan Ağırlıklı Sınıf Aktivasyon Haritalandırma (Grad-CAM) kullanılmıştır. Bu çalışmayla, farklı model mimarilerinin güçlü yönleri kullanılarak geliştirilen yeni modellerin daha başarılı tahminleme yapabileceği gözlemlenmiştir.Monkeypox disease emerged as a global pandemic threat as of 2022, prompting coordinated efforts under the leadership of the World Health Organization (WHO) for countries to take rapid action against the outbreak. Although laboratory tests are commonly preferred during the diagnostic process, due to the high risk of contagion, there is a need for supplementary solutions. In this study, a binary hybrid dataset consisting of a total of 1,259 skin images was created. For the classification of monkeypox and non-monkeypox skin images, 8 pre-trained deep learning models were utilized. Among them, DenseNet201, DenseNet169, and Xception, which demonstrated high performance, were used to extract features from their intermediate layers. These features were then combined using a feature-level stacking ensemble learning approach to develop a model capable of more accurate classification. The proposed model achieved an accuracy of 99.30% on the test dataset. Additionally, Gradient-weighted Class Activation Mapping (Grad-CAM) was employed to identify the regions the model focused on during classification. This study demonstrates that models developed by leveraging the strengths of different architectures can lead to more successful predictions.