AI Summary & Key Takeaways
AI InsightDetailed performance analyses were conducted, and Gradient-weighted Class Activation Mapping (Grad-CAM) was utilized to visualize the regions of interest influencing the model’s classification decisions
📌 3 Key Takeaways
Abstract
Monkeypox posed a significant global outbreak risk in 2022, leading the World Health Organization (WHO) and national authorities to implement rapid preventive measures. Although laboratory tests are primarily used for diagnosis, the high transmissibility of the disease highlights the need for supportive diagnostic approaches. In this study, a dataset consisting of 1,259 skin images, including 510 monkeypox and 749 non-monkeypox cases obtained from open sources, was expanded to 8,533 images through data augmentation techniques. Eight pre-trained deep learning architectures were trained and evaluated for the classification of monkeypox and non-monkeypox skin images. Based on the experimental results, a new stacking-based ensemble learning model was developed by combining feature vectors extracted from the high-performing DenseNet169, DenseNet201, and Xception architectures, achieving an accuracy of 99.30% on the test dataset. Detailed performance analyses were conducted, and Gradient-weighted Class Activation Mapping (Grad-CAM) was utilized to visualize the regions of interest influencing the model’s classification decisions
Özet
Maymun çiçeği hastalığı, 2022 yılında küresel ölçekte ciddi bir salgın riski oluşturarak Dünya Sağlık Örgütü (DSÖ) ve ulusal otoritelerin hızlı önlem süreçleri geliştirmesine neden olmuştur. Teşhis aşamasında genellikle laboratuvar testleri kullanılmasına rağmen, hastalığın yüksek bulaşıcılığı nedeniyle destekleyici tanı yöntemlerine ihtiyaç duyulmaktadır. Bu çalışmada, açık kaynaklardan elde edilen 510 maymun çiçeği ve 749 maymun çiçeği olmayan cilt görüntüsünden oluşan toplam 1259 görsel, veri artırma yöntemleriyle zenginleştirilerek 8.533 görüntüden oluşan bir veri setine dönüştürülmüştür. Maymun çiçeği enfeksiyonu taşıyan ve taşımayan cilt görsellerinin sınıflandırılmasında sekiz farklı önceden eğitilmiş derin öğrenme mimarisi eğitilmiş ve test edilmiştir. Elde edilen sonuçlara göre, yüksek doğruluk oranlarına sahip DenseNet169, DenseNet201 ve Xception modellerinden çıkarılan özellik vektörleri birleştirilerek, yığınlama temelli topluluk öğrenmesi yaklaşımıyla yeni bir model tasarlanmış ve test veri seti üzerinde %99.30 doğruluğa ulaşmıştır. Modelin detaylı performans analizleri sunulmuş ve sınıflandırma yaparken odaklandığı bölgeleri tespit etmek için de Gradyan Ağırlıklı Sınıf Aktivasyon Haritalandırma (Grad-CAM) kullanılmıştır.