Görüntü sınıflandırması için evrişimsel sinir ağı-metasezgisel algoritmalar tabanlı yeni bir hibrit yaklaşım geliştirilmesi
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Malatya Turgut Özal Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Maymun çiçeği virüsü, önceden Afrika'da endemik olan ve çiçek hastalığına benzeyen bir zoonotik hastalıktır. Ancak son zamanlarda, insanlar arasında bulaşma ve Afrika dışındaki salgınlar artmıştır, bu da dikkat çekmektedir. Hastalık genellikle kendi kendine sınırlıdır, ancak %10'a kadar ölümcül olabilir ve ciddi yan etkilere neden olabilir. Bu nedenle, etkili bir tespit, tedavi ve önleme stratejilerinin geliştirilmesi önemlidir. Derin öğrenme, özellikle tıp alanında, çeşitli karmaşık sorunları çözmek için yüksek doğruluk ve hassasiyet gerektiren uygulamalarda yaygın olarak kullanılmaktadır. Görüntü sınıflandırma alanında derin öğrenme tabanlı yaklaşımlar önemli başarılar elde etmiş ve birçok sağlık problemine karar destek mekanizması olarak hizmet etmiştir. Bu çalışmada, Maymun Çiçeği Virüsü (Monkeypox) hastalığına yakalanan insanların vücut görüntüleri ile normal vücut görüntülerini sınıflandırmak için uygun bir veri seti kullanılmıştır. Toplamda 1139 görüntüden oluşan veri seti, 587 Monkeypox ve 552 normal görüntü içermektedir. Derin öğrenme modellerinden Evrişimli Sinir Ağları (ESA), özellik çıkarımı için kullanılmıştır. ESA mimarilerinden önceden eğitilmiş AlexNet, DarkNet19, InceptionNet-v3 ve ResNet18 modelleri tercih edilmiştir. Elde edilen özellikler daha sonra Support Vector Machine (SVM), K-Nearest Neighbors (KNN) ve Decision Tree (DT) gibi farklı sınıflandırıcılarla sınıflandırılmıştır. Daha sonra, Metasezgisel Algoritmaların biri olan Deniz Atı Optimizasyon Algoritması (Sea-horse Optimizer - SHO) kullanılarak sınıflandırıcı yöntemler bir araya getirilerek özellik seçimi yapılmıştır. Bu, sınıflandırma performansını artırmak için olumsuz etkilere neden olabilecek özelliklerin elemine edilmesini ve daha etkili özelliklerin seçilmesini sağlar. Deneysel sonuçlar, ESA modellerinden elde edilen özelliklerin SHO ile özellik seçimi uygulanmasıyla sınıflandırma performansının önemli ölçüde arttığını göstermektedir.
Monkeypox, previously endemic to Africa and resembling smallpox, is a zoonotic disease that has recently garnered attention due to increased transmission among humans and outbreaks beyond Africa. While the disease typically self-limits, it can result in up to 10% mortality and severe complications. Therefore, it is important to develop effective strategies for detection, treatment, and prevention. Deep learning, particularly prevalent in medical applications requiring high accuracy and precision, has seen significant success in various complex problem-solving tasks. Deep learning-based approaches in image classification have particularly excelled, serving as decision support mechanisms in numerous healthcare challenges. In this study, a suitable dataset was utilized to classify images of individuals infected with Monkeypox and normal body images. The dataset comprised a total of 1139 images, including 587 Monkeypox and 552 normal images. Convolutional Neural Networks (CNNs) were employed for feature extraction, with pre-trained models such as AlexNet, DarkNet19, InceptionNet-v3, and ResNet18 preferred. Subsequently, the extracted features were classified using various classifiers, including Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and Decision Tree. Following this, a novel hybrid approach integrating metaheuristic algorithms, specifically the Sea-horse Optimizer (SHO), was employed for feature selection. This process aimed to eliminate features that could adversely affect classification performance and select more effective ones. Experimental results demonstrate a significant enhancement in classification performance through the application of SHO for feature selection on features extracted from CNN models.
Monkeypox, previously endemic to Africa and resembling smallpox, is a zoonotic disease that has recently garnered attention due to increased transmission among humans and outbreaks beyond Africa. While the disease typically self-limits, it can result in up to 10% mortality and severe complications. Therefore, it is important to develop effective strategies for detection, treatment, and prevention. Deep learning, particularly prevalent in medical applications requiring high accuracy and precision, has seen significant success in various complex problem-solving tasks. Deep learning-based approaches in image classification have particularly excelled, serving as decision support mechanisms in numerous healthcare challenges. In this study, a suitable dataset was utilized to classify images of individuals infected with Monkeypox and normal body images. The dataset comprised a total of 1139 images, including 587 Monkeypox and 552 normal images. Convolutional Neural Networks (CNNs) were employed for feature extraction, with pre-trained models such as AlexNet, DarkNet19, InceptionNet-v3, and ResNet18 preferred. Subsequently, the extracted features were classified using various classifiers, including Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and Decision Tree. Following this, a novel hybrid approach integrating metaheuristic algorithms, specifically the Sea-horse Optimizer (SHO), was employed for feature selection. This process aimed to eliminate features that could adversely affect classification performance and select more effective ones. Experimental results demonstrate a significant enhancement in classification performance through the application of SHO for feature selection on features extracted from CNN models.
Açıklama
Lisansüstü Eğitim Enstitüsü, Enformatik Ana Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control ; Bilim ve Teknoloji
