MAYMUN ÇİÇEĞİ CİLT LEZYONUNUN TESPİTİ İÇİN DERİN ÖĞRENME YÖNTEMLERİNDE OPTİMİZASYON TABANLI ÖZELLİK SEÇİMİ

Abstract

Bu tez, maymun çiçeği hastalığının cilt lezyonlarının tespiti için derin öğrenme yöntemlerinin kullanımını ve optimizasyon tabanlı özellik seçimini ele almaktadır. Maymun çiçeği hastalığı, günümüzde sağlık sektörünün önemli bir sorunudur ve erken teşhis yöntemlerinin geliştirilmesi büyük bir gerekliliktir. Geleneksel teşhis yöntemleri maliyetli ve zaman alıcı olabilirken, CNN gibi derin öğrenme teknikleri, özellikle cilt lezyonlarının tespitinde büyük bir potansiyel sunmaktadır. Bu çalışmada, veri önişleme adımlarından görüntü çoğaltma yöntemi kullanıldıktan sonra önceden eğitilmiş model mimarileri olan DenseNet-201, ResNet-101 ve DarkNet-53 kullanılarak cilt lezyonlarının görüntülerinden öznitelik çıkarımı yapılmıştır. Aynı zamanda, anlamlı öznitelikleri seçmek amacıyla optimizasyon yöntemleri kullanılmıştır. Kullanılan BGWO yöntemi ile öznitelik seçimi gerçekleştirilmiştir. Elde edilen sonuçlar, önerilen yaklaşımın maymun çiçeği hastalığının cilt lezyonlarının tespitinde derin öğrenme yöntemlerinin etkili bir şekilde kullanılmasının gerekliliğini göstermektedir. Optimizasyon tabanlı özellik seçimi yönteminin, hastalık teşhisinin doğruluğunu önemli ölçüde artırdığı belirlenmiştir. Bu tez, tıbbi teşhislerin geliştirilmesine ve hastaların sağlık durumlarının daha etkili bir şekilde yönetilmesine katkı sağlama amacıyla önemli bir adım olarak görülmektedir. Maymun çiçeği hastalığının erken teşhisinde derin öğrenme ve optimizasyon tekniklerinin birleşiminin, sağlık sektörüne büyük faydalar sağlayabileceği düşünülmektedir.This thesis discusses the use of deep learning methods and optimization-based feature selection for the detection of monkeypox skin lesions. Monkeypox disease is an important problem in the health sector today and the development of early diagnosis methods is a great necessity. While traditional diagnostic methods can be costly and time-consuming, deep learning techniques such as CNN offer great potential, especially in detecting skin lesions. In this study, after using the image augmentation method in the data preprocessing steps, features were extracted from the images of skin lesions using the pre-trained model architectures DenseNet-201, ResNet-101 and DarkNet-53. At the same time, optimization methods were used to select meaningful features. Feature selection was carried out with the BGWO method used. The results obtained demonstrate the necessity of the proposed approach to effectively use deep learning methods in detecting skin lesions of monkeypox. It has been determined that the optimization-based feature selection method significantly increases the accuracy of disease diagnosis. This thesis is seen as an important step towards contributing to the development of medical diagnoses and more effective management of patients' health conditions. It is thought that the combination of deep learning and optimization techniques in the early diagnosis of monkeypox can provide great benefits to the healthcare sector.