پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 680 |
| تعداد مقالات | 9,920 |
| تعداد مشاهده مقاله | 70,159,585 |
| تعداد دریافت فایل اصل مقاله | 49,598,382 |
شناسایی و طبقهبندی آبله میمون بر اساس تصاویر پوستی با بهرهگیری از شبکههای عصبی عمیق و الگوریتم XGBoost در چارچوب هوش مصنوعی توضیح پذیر | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 16 دی 1404 | ||
| نوع مقاله: مقاله کامپیوتر | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2026.39033.2906 | ||
| نویسندگان | ||
| شریف حسنی1؛ مصطفی برهانی1؛ مرتضی درّیگیو* 2؛ حمید نصیری3 | ||
| 1دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران | ||
| 2گروه آموزشی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران | ||
| 3دانشکده محاسبات و ارتباطات، دانشگاه لنکستر، لنکستر، بریتانیا | ||
| تاریخ دریافت: 23 شهریور 1404، تاریخ بازنگری: 26 آذر 1404، تاریخ پذیرش: 16 دی 1404 | ||
| چکیده | ||
| بیماری آبله میمون بهتازگی به یکی از چالشهای مهم سلامت عمومی بدل شده و نیاز به روشهای تشخیصی سریع و دقیق را برجسته کرده است. این پژوهش با هدف ارائه راهکاری مؤثر، از تکنیکهای هوش مصنوعی و یادگیری انتقالی بهره گرفته است تا محدودیتهای روشهای موجود برطرف شود. در این راستا، از پایگاه دادهای در وبسایت Kaggle شامل ۲۲۸ تصویر پوستی با برچسب آبله میمون و سایر بیماریها استفاده شد و بهمنظور افزایش حجم داده، مجموعهداده افزایشیافته با ۳۱۹۲ تصویر نیز بهکار گرفته شد. در این مقاله از شبکههای از پیشآموزشدیده VGG19 و EfficientNetB4 جهت استخراج ویژگیهای تصویری استفاده شد و سپس طبقهبندی دادهها با الگوریتم XGBoost، که کارایی بالایی در تحلیل دادههای ساختاریافته دارد، انجام گرفت. نتایج نشان دادند روش پیشنهادی در مجموعهداده اصلی به دقت %100 و در مجموعه افزایشیافته به %02/97 دست یافت. همچنین، اعتبارسنجی متقابل پنجلایه دقت %98/85 را برای دادههای اصلی و %42/93 را برای دادههای افزایشیافته ثبت کرد که نشاندهنده توان مدل در تعمیمپذیری است. روش ارائهشده با ترکیب یادگیری انتقالی و طبقهبند تجمیعی، یک راهکار قابلگسترش ارائه میدهد که در مقایسه با روشهای موجود روی مجموعهداده یکسان، عملکرد بهتری از نظر دقت و کارایی محاسباتی نشان داده است. در مجموع، این یافتهها نشان میدهد که ابزارهای تشخیصی مبتنی بر هوش مصنوعی میتوانند در بهبود سلامت عمومی نقش مؤثری ایفا کرده و مسیر توسعه راهکارهای سریع، دقیق و در دسترس برای شناسایی آبله میمون و دیگر بیماریهای عفونی نوظهور را هموار سازند. | ||
| کلیدواژهها | ||
| آبله میمون؛ شبکه VGG19؛ شبکه EfficientNetB4؛ الگوریتم XGBoost؛ یادگیری انتقالی | ||
| عنوان مقاله [English] | ||
| Classification of Monkeypox based on Skin Images Using Deep Neural Network and XGBoost with Explainable Artificial Intelligence Method | ||
| نویسندگان [English] | ||
| Sharif Hasani1؛ Mostafa Borhani1؛ Morteza Dorrigiv2؛ Hamid Nasiri3 | ||
| 1Electrical and Computer Engineering Department, Semnan University, Semnan, Iran | ||
| 2Room 317, Floor 3, Electrical and Computer Engineering Dept., Semnan University, Semnan, Iran. | ||
| 3School of Computing and Communications, Lancaster University, Lancaster, UK | ||
| چکیده [English] | ||
| Monkeypox has recently emerged as a significant public health challenge, necessitating efficient diagnostic methods for timely detection. This study addresses the critical need for rapid and accurate diagnosis of monkeypox by leveraging artificial intelligence and transfer learning techniques, aiming to overcome limitations in current diagnostic methods. A publicly available dataset from Kaggle, comprising 228 original images labeled as monkeypox and other skin conditions, was augmented to 3192 images to address data scarcity and enhance model robustness. Pre-trained deep learning models, VGG19 and EfficientNetB4, were employed to extract image features, which were then classified using the XGBoost algorithm, known for its effectiveness in structured data classification. The proposed approach achieved high accuracy rates of 100% and 97.02% for the original and augmented datasets, respectively. Additionally, 5-fold cross-validation results demonstrated accuracies of 85.98% for the original dataset and 93.42% for the augmented set, highlighting the model's strong generalization capabilities. The proposed approach combines transfer learning with ensemble classification, providing a scalable solution that shows improved performance over several existing diagnostic methods in terms of accuracy and computational efficiency. The findings underscore the transformative potential of AI-driven diagnostic tools in public health, paving the way for more rapid, accessible, and accurate detection strategies for monkeypox and other emerging infectious diseases. | ||
| کلیدواژهها [English] | ||
| Monkeypox, VGG19, EfficientNetB4, XGBoost, Transfer Learning | ||
|
آمار تعداد مشاهده مقاله: 10 |
||