Abstract
Maymun çiçeği, ağırlıklı olarak Orta ve Batı Afrika'da bulunan ve maymun çiçeği virüsü enfeksiyonundan kaynaklanan viral bir hastalıktır. Bulaşma, enfeksiyon kapmış kişilerle yakın temas yoluyla meydana gelmektedir. Grip benzeri semptomlar ve deri döküntüleri şeklinde kendini göstermektedir. Çoğunlukla su çiçeği veya kızamığa benzer ve dolayısıyla yanlış teşhis riskini arttırmaktadır. Etkili tıbbi müdahale için zamanında ve kesin tanı çok önemlidir. Son zamanlarda, derin öğrenmeye dayalı transfer öğrenme yöntemleri, maymun çiçeğini benzer hastalıklardan doğru bir şekilde ayırt etmek için umut verici bir araç olarak ortaya çıkmıştır. Bu çalışma, tıbbi görüntülerden ilgili özellikleri çıkararak sağlam teşhis modelleri oluşturmak için VGG16, ResNet modelleri, Xception, Inception modelleri, DenseNet121 ve DenseNet201 dahil olmak üzere önceden eğitilmiş evrişimsel sinir ağlarından yararlanmaktadır. Bu modelleri değerlendirmek için Kaggle'daki iki sınıftan (MaymunÇiçeği ve diğerleri) oluşan "Maymun Çiçeği Cilt Lezyonu Veri Seti" kullanılmıştır. Deneysel bulgular, DenseNet201 modelinin %95.56'ya ulaşarak en yüksek sınıflandırma doğruluğuna ulaştığını ve mevcut literatürle karşılaştırıldığında etkinliğini öne çıkardığını ortaya koymaktadır.