A lightweight deep learning approach for skin disease detection
| dc.contributor.advisor | Kaya, Yasin | |
| dc.contributor.author | Babacan, Vahap Bahadır | |
| dc.date.accessioned | 2026-05-09T09:20:55Z | |
| dc.date.available | 2026-05-09T09:20:55Z | |
| dc.date.issued | 2026 | |
| dc.department | Enstitüler, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | |
| dc.description | Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı, Bilgisayar Bilimi ve Mühendisliği Bilim Dalı | |
| dc.description | Embargoed Access: 09.07.2028 tarihine kadar kullanımı yazar tarafından kısıtlanmıştır. | |
| dc.description.abstract | The recent resurgence of Monkeypox (MPox) and other viral skin conditions, such as chickenpox and measles, underscores the urgent need for rapid, accessible diagnostic tools in resource-constrained settings. This study introduces a novel and lightweight Convolutional Neural Network (CNN) architecture designed to distinguish many lesions from other dermatological conditions using clinically approved skin images. Unlike complex transfer learning models, our model is trained from scratch, utilizing a shallow architecture optimized with 6x6 convolutional kernels to reduce computational complexity while preserving feature extraction capabilities. The model was evaluated on the MSLD v2.0 dataset, employing data augmentation techniques, including random rotation and zooming to ensure generalization and mitigate overfitting. Experimental results across 10 independent runs demonstrate that our method achieves a mean accuracy of 98.85% and a mean F1-score of 98.73%, surpassing or matching state-of-the-art baselines. With approximately 12 million trainable parameters and a significantly reduced training time of 869 seconds, the proposed model offers a computationally efficient solution suitable for deployment on low-power embedded devices and smartphones, facilitating timely diagnosis in outbreak scenarios. | |
| dc.description.abstract | Özellikle Maymun çiçeği (MPox) ve çeşitli deri hastalığına sebebiyet veren hastalıkların son dönmelerde yeniden yaygınlaşması ve bu hastalığın suçiçeği, kızamık gibi diğer yaygın cilt hastalıklarıyla klinik ve görsel benzerlik göstermesi, kaynakların kısıtlı olduğu ortamlarda hızlı ve erişilebilir tanı araçlarına olan ihtiyacı vurgulamaktadır. Bu çalışma, klinik olarak onaylanmış cilt görüntülerini kullanarak deri lezyonlarını ayırt etmek üzere tasarlanmış, yenilikçi ve hafif bir Evrişimli Sinir Ağı (CNN) mimarisi öne sürülmektedir. Kompleks transfer öğrenimli modellerin aksine, modelimiz, 6x6 evrişimli katmanlar ile optimize edilmiş sığ bir yapı ile hesaplama karmaşıklığını azaltırken özellik çıkarım yeteneklerini korumayı hedeflemiştir. Model üzerinde genelleştirmeyi sağlamak ve aşırı uyum sorununu azaltmak amacıyla rastgele döndürme ve yakınlaştırma gibi veri arttırma teknikleri kullanılmıştır ve MSLD v2.0 veri kümesinde değerlendirme işlemi yapılmıştır. 10 bağımsız denemede elde edilen deneysel sonuçlara göre, öne sürdüğümüz modelimiz %98,85'lik bir ortalama doğruluk oranına ve %98,73'lük bir ortalama F1 puanı almıştır. Literatürde öne sürülen birçok yönteme eşit veya üstün performans göstermiştir. Yaklaşık 12 milyon eğitilebilir parametreye ve 869 saniyeye kadar önemli ölçüde kısaltılmış eğitim süresine sahip olan model, düşük güç tüketimli gömülü cihazlarda ve akıllı telefonlarda kullanıma uygun, hesaplama açısından verimli bir çözüm sunarak salgın senaryolarında zamanında teşhis yapılmasını kolaylaştırmaktadır. | |
| dc.identifier.endpage | ? | |
| dc.identifier.startpage | 1 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.14669/3452 | |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/tezSorguSonucYeni.jsp | |
| dc.identifier.yoktezid | 1020325 | |
| dc.language.iso | en | |
| dc.publisher | Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/embargoedAccess | |
| dc.snmz | KA_20241211 | |
| dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | |
| dc.subject | Computer Engineering and Computer Science and Control | |
| dc.title | A lightweight deep learning approach for skin disease detection | |
| dc.title.alternative | Deri hastalıkları tespiti için hafif derin öğrenme yaklaşımı | |
| dc.type | Master Thesis |
