Monkeypox, COVID-19 salgınına kıyasla daha az ölümcül ve bulaşıcı olsa da küresel bir salgın tehdidi oluşturabilen bir hastalıktır. Tıbbi görüntüleme alanında derin öğrenme teknikleri, hastalıkların teşhisinde umut verici sonuçlar sunmaktadır. Bu çalışma, monkeypox'un erken teşhisi için deri lezyon görüntülerini kullanarak derin öğrenme modelleri geliştirir. Çalışma iki ana bölümden oluşmaktadır. İlk bölüm, Monkeypox Deri Görüntü Veri Seti (MSID) kullanılarak eğitilen bir derin öğrenme modelini tanıtırken, ikinci bölüm Monkeypox Deri Görüntü, Monkeypox Master ve Monkeypox Orjinal Görüntü Veri Setlerinden (HYBRID) oluşturulan birleştirilmiş bir veri seti ile eğitilen bir modeli sunar. MSID veri seti, toplamda 2097 resim içermektedir. Bu set, eğitim için 806 Monkeypox ve 690 Non Monkeypox, test için ise 309 Monkeypox ve 292 Non Monkeypox deri lezyon görüntüsünden oluşmaktadır. HYBRID veri kümesi ise toplamda 4264 resim içermektedir. Bu set, eğitim için 1088 Monkeypox ve 1896 Non Monkeypox, test için ise 468 Monkeypox ve 812 Non Monkeypox deri lezyon görüntüsünü barındırmaktadır. Bu veri setlerinin eğitiminde beş farklı derin öğrenme modeli- DenseNet201, InceptionResNetV2, InceptionV3, NASNetLarge ve Xception- bu iki veri seti üzerinde kullanılarak sonuçlar karşılaştırılmıştır. Artırılmış veri setleri ile eğitilen DenseNet201 modeli, monkeypox'u tanıma konusunda önemli başarılar elde etti ve sırasıyla MSID ve HYBRID veri setlerinde %99.33 ve %98.52 doğruluk oranlarına ulaştı.
Monkeypox is a disease that, while less deadly and contagious than COVID-19, could pose a global pandemic threat. In the field of medical imaging, deep learning techniques offer promising results in the diagnosis of diseases. This study develops deep learning models using skin lesion images for early diagnosis of monkeypox. The research is divided into two key sections. In the first section, a deep learning model is developed using the Monkeypox Skin Image Dataset (MSID). The second section focuses on a model trained on a combined dataset, which merges the Monkeypox Skin Image, Monkeypox Master, and Monkeypox Original Image Datasets, referred to as HYBRID. The MSID dataset comprises 806 Monkeypox and 690 Non-Monkeypox images for training, along with 309 Monkeypox and 292 Non-Monkeypox images for testing, resulting in a total of 2,097 images of skin lesions with and without monkeypox. The HYBRID dataset includes 1,088 Monkeypox and 1,896 Non-Monkeypox images for training, as well as 468 Monkeypox and 812 Non-Monkeypox images for testing, resulting in a total of 4,264 skin lesion images. Five distinct deep learning models—DenseNet201, InceptionResNetV2, InceptionV3, NASNetLarge, and Xception—were applied to both datasets, and the outcomes were compared. The DenseNet201 model, when trained on augmented data, demonstrated remarkable performance in detecting monkeypox, achieving accuracy rates of 99.33% on the MSID dataset and 98.52% on the HYBRID dataset.
