<b>Deep Learning-Based Monkeypox Detection: A</b> <b>Hybrid Approach Using DenseNet121 and</b> <b>MobileNetV2</b><b> </b>
Notice bibliographique
Résumé
Due to recent outbreaks outside of endemic areas, Monkeypox is a newly emerging zoonotic disease that has drawn international attention. This study utilized two publicly available collections—the Monkeypox Skin Lesion Dataset (MSLD) and its updated version, MSLDV2.0, which consist of 2607 and 10572 clinical images, respectively. Clinical photographic images of confirmed Monkeypox lesions and comparative non-Monkeypox dermatoses. Early and precise lesion detection is therefore crucial for effective containment and treatment. We propose a hybrid deep-learning approach that fuses the hierarchical feature extraction capabilities of DenseNet121 with the computational efficiency of MobileNetV2 for reliable Monkeypox identification. On MSLDV2.0, our model achieved 98 % accuracy, and on MSLD, it reached 99.18 %. The confusion matrices confirm robust discrimination between Monkeypox and non-Monkeypox classes, outperforming existing methods. A key limitation of this work is the moderate size and demographic homogeneity of the datasets, which may not fully capture real-world variations in skin tone or lesion presentation. Future research should incorporate larger, multi-center image repositories, evaluate performance across diverse populations, and assess real-time deployment in resource-constrained clinical settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,005 |
| Méta-épidémiologie (sens large) | 0,008 | 0,003 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,024 | 0,013 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».