Detection of Monkeypox disease from skin lesion images using deep learning methods

Abstract

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.

Keywords

• Monkeypox Disease
• Virus
• Deep Learning
• DenseNet201

Derin öğrenme yöntemleri kullanılarak deri lezyon görüntülerinden Maymun Çiçeği hastalığının tespiti

Öz

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.

Anahtar Kelimeler

• Maymun Çiçeği Hastalığı
• Virüs
• Derin Öğrenme
• Monkeypox
• DenseNet201

Kaynakça

1. Tütüncü, D., & Esen, M. Salgın hastalıkların yönetiminde Nesnelerin İnterneti (NİT) kullanımı: COVID-19 örneği. Sağlık Akademisyenleri Dergisi, 8(2), 169-177, 2021.
2. B. Ceri̇t, Gerçek zamanlı öğrenci takip sistemi ve derin öğrenme yaklaşımı ile maske tespiti. Yüksek Lisans Tezi, Karabük Üniversitesi Mekatronik Mühendisliği Ana Bilim Dalı, Karabük, 2020.
3. Özer, İ. Türkiye Cumhuriyeti sınırlarını tehdit eden kolera saldırıları ve alınan savunma tedbirleri. Ordu Üniversitesi Sosyal Bilimler Enstitüsü Sosyal Bilimler Araştırmaları Dergisi, 10(1), 201-216, 2020.
4. Güngör, S., Kaya, M., & Alhajj, R. Renklendirilmiş BT görüntülerinden covid-19 tespiti için derin öğrenmeye dayalı bir yöntem. Computer Science, IDAP-2021: 5th International Artificial Intelligence and Data Processing symposium (Special), 391-399, 2021. https://doi.org/10.53070/bbd.990750.
5. Robert A. Weinstein, Aysegul Nalca, Anne W. Rimoin, Sina Bavari, Chris A. Whitehouse, reemergence of monkeypox: prevalence, diagnostics, and countermeasures, clinical infectious diseases, 41 (12), 1765–1771, 2005. https://doi.org/10.1086/498155.
6. World Health Organization. Multi-country monkeypox outbreak in non-endemic countries. https://www.who.int/emergencies/disease-outbreak-news/item/2022-DON385, Accessed 20 Haziran 2022.
7. K. Adem, Impact of activation functions and number of layers on detection of exudates using circular Hough transform and convolutional neural networks, Expert Systems with Applications, 203, 2022. https://doi.org/10.1016/j.eswa.2022.117583.
8. Adem, K., Ozguven, M.M. & Altas, Z. A sugar beet leaf disease classification method based on image processing and deep learning. Multimed Tools Appl 82, 12577–12594, 2023. https://doi.org/10.1007/s11042-022-13925-6.

9. M. Hekim, O. Cömert ve K. Adem, A hybrid model based on the convolutional neural network model and artificial bee colony or particle swarm optimization-based iterative thresholding for the detection of bruised apples. Turkish Journal of Electrical Engineering and Computer Sciences. 28(1), 61-79, 2020. https://doi.org/10.3906/elk-1904-180.
10. S. Kılıçarslan, K. Adem, and M. Çelik, An overview of the activation functions used in deep learning algorithms, JNRS, 10(3), 75-88, 2021. https://doi.org/10.54187/jnrs.1011739.
11. E. K. Yılmaz, K. Adem, S. Kılıçarslan, ve H. A. Aydın, Classification of lemon quality using hybrid model based on Stacked AutoEncoder and convolutional neural network. Eur Food Res Technol, 249, 1655–1667, 2023. https://doi.org/10.1007/s00217-023-04245-6.
12. A. A. Yurdusev, K. Adem, ve M. Hekim, Detection and classification of microcalcifications in mammograms images using difference filter and Yolov4 deep learning model. Biomedical Signal Processing and Control, 80, 2023. https://doi.org/10.1016/j.bspc.2022.104360.
13. M. Akar, Covıd-19’a karşı insansız hava aracı ile derin öğrenme tabanlı maske tespiti. Yüksek Lisans Tezi, Karamanoğlu Mehmet Bey Üniversitesi Fen Bilimleri Fakültesi, Karaman, 2022.
14. S. V. Militante ve N. V. Dionisio, Deep learning implementation of facemask and physical distancing detection with alarm systems. 2020 Third International Conference on Vocational Education and Electrical Engineering (ICVEE), 1-5, 2020.
15. B. Kaya, ve M. Önal, COVID-19 Tespiti için akciğer BT görüntülerinin bölütlenmesi. Avrupa Bilim Ve Teknoloji Dergisi (28), 1296-1303., 2021. https://doi.org/10.31590/ejosat.1015061.
16. E. Özbay, ve Ö. Altunbey, Derin öğrenme ve sınıflandırma yaklaşımları ile BT görüntülerinden Covid-19 Tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 12 (2), 211-219, 2020. https://doi.org/10.24012/dumf.812810.
17. G. H. Christa ve K. M. Sagayam, CNN-based Mask Detection System Using OpenCV and MobileNetV2. 2021 3rd International Conference on Signal Processing and Communication (ICPSC), pp. 115-119, Coimbatore, India, 2021.
18. M. Shamrat, S. Chakraborty, Md. M. Billah, Md. A. Jubair, M. S. Islam ve R. Ranjan, Face mask detection using convolutional neural network (CNN) to reduce the spread of Covid-19. 2021 5th International Conference on Trends in Electronics and Informatics (ICOEI), pp. 1231-1237, Tirunelveli, India, 2021.
19. A. A. Jasim, Gerçek Zamanlı Yüz Maskesi Algılama Uyarı Sistemi. Yüksek Lisans Tezi, Kırşehir Ahi Evran Üniversitesi İleri Teknolojiler Ana Bilim Dalı, Kırşehir, 2022.
20. M. Türkoğlu, K. Hanbay, I. Saraç Si̇vri̇kaya, ve D. Hanbay, Derin Evrişimsel Sinir Ağı Kullanılarak Kayısı Hastalıklarının Sınıflandırılması. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 9(1), 334-345, 2020. https://doi.org/10.17798/bitlisfen.562101.
21. K. He, X. Zhang, S. Ren, ve J. Sun, Delving deep into rectifiers: surpassing human-level performance on ImageNet Classification. 2015 IEEE International Conference on Computer Vision (ICCV), pp. 1026-1034, Santiago, Chile, 2015.
22. Y. Alqadiri, Face mask detection using deep learning methods. Yüksek Lisans Tezi, Bahçeşehir Üniversitesi Bilgisayar Mühendisliği Ana Bilim Dalı, İstanbul, 2022.
23. A. L. Maas, A. Y. Hannun, ve A. Y. Ng, Rectifier nonlinearities improve neural network acoustic models. Proceedings of the 30th International Conference on Machine Learning, 28 (3), Atlanta GA, USA, 2013.
24. I. Goodfellow, Y. Bengio, A. Courville, ve Y. Bengio, Deep Learning (Adaptive Computation and Machine Learning series). MIT Press, 2016.
25. A. Atcılı, Yapay Sinir Ağlarında Kullanılan Optimizasyon Algoritmaları. Machine Learning Turkiye. https://medium.com/machine-learning-t%C3%BCrkiye/yapay-sinir-a%C4%9Flar%C4%B1nda-kullan%C4%B1lan-optimizasyon-algoritmalar%C4%B1-3e87cd738cb5, Accessed 30 Aralık 2022.
26. H. Çetiner, Yaprak hastalıklarının sınıflandırılabilmesi için önceden eğitilmiş ağ tabanlı derin ağ modeli. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, 8(15), 442-456, 2021. https://doi.org/10.54365/adyumbd.988049.
27. H. Bingol, Classification of OME with eardrum otoendoscopic images using hybrid-based deep models, NCA, and Gaussian method. Traitement du Signal, 39(4), 1295-1302, 2022. https://doi.org/10.18280/ts.390422.
28. X. Yu, N. Zeng, S. Liu, ve Y. D. Zhang, Utilization of DenseNet201 for diagnosis of breast abnormality. Machine Vision and Applications 30, 1135–1144, 2019. https://doi.org/10.1007/s00138-019-01042-8.
29. B. Zoph, V. Vasudevan, J. Shlens, ve Q. V. Le, Learning transferable architectures for scalable image recognition. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 8697-8710, Salt Lake City, UT, USA, 2018.
30. F. Bozkurt, Derin öğrenme tekniklerini kullanarak akciğer X-Ray görüntülerinden COVID-19 tespiti. Avrupa Bilim Ve Teknoloji Dergisi, 24, 149-156, 2021. https://doi.org/10.31590/ejosat.898385.
31. M. M. A. Ashames, Derin öğrenme yöntemleri kullanılarak osteoporozun belirlenmesi. Yüksek Lisans Tezi, Konya Teknik Üniversitesi Lisansüstü Eğitim Enstitüsü, Konya, 2020.
32. C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke ve A. Rabinovich, Going deeper with convolutions. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 1-9, Boston, MA, USA, 2015.
33. C. Szegedy, S. Ioffe, V. Vanhoucke, A. Alemi. Inception-v4, Inception-ResNet and the impact of residual connections on learning. Proceedings of the AAAI Conference on Artificial Intelligence, 31(1), Phoenix, Arizona, 2016.
34. Keras.io. (2022). Keras documentation: The Model class. https://keras.io/api/models/model/, Accessed 29 December 2022.
35. Ö. Doğan, CNN (Convolutional Neural Networks) Nedir?, https://teknoloji.org/cnn-convolutional-neural-networks-nedir, Accessed 28 December 2022
36. C. Szegedy, S. Ioffe, V. Vanhoucke, J. Shlens. Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 2818-2826, Las Vegas, NV, USA, 2016.
37. A. Dash, P. Sethy, Statistical analysis and comparison of deep convolutional neural network models for the identification and classification of maize leaf diseases. Multimedia Tools and Applications, 1-14, 2024. https://doi.org/10.1007/s11042-024-18481-9.