Sürdürülebilir Kalkınma Amaçları
Yazarlar
Yayınlar
- MakaleYalnız künye2026Multi-scale deep fusion architecture for brain tumor detection via local-contextual feature integration
Reis, Hatice Catal; Turk, Veysel
Early detection of brain tumors is crucial for enhancing treatment strategies and improving clinical prognosis. However, current conventional methods limit diagnostic accuracy and slow down diagnostic processes due to subjective interpretations and dependence on experts. Deep learning-based approaches have the potential to enhance diagnostic accuracy and facilitate early diagnosis by mitigating current limitations in automatic learning techniques for feature extraction and modeling processes. In this study, an advanced deep learning model, Multi-Scale Local-Context Fusion Network (MSLCFNet), is proposed for automatic diagnosis of brain tumors within the scope of oncological diseases. The proposed model evaluates local spatial features, global patterns, and long-range contextual relationships holistically through multi-layered representations, enabling effective identification of complex structures of tumor morphology. This architecture has the potential to increase diagnostic consistency and minimize the risk of misdiagnosis by reducing inter-observer variability, especially in cases where limited contrast and unclear boundaries lead to diagnostic uncertainty. The proposed model achieved accuracy rates of 96.51% and 98.17% on two different MRI brain tumor datasets, respectively. Additionally, a hybrid model based on MSLCFNet+ResNet50 was proposed in the study to obtain high-level feature representations for brain tumor diagnosis. The model offers a significant improvement in the diagnosis process by reducing misdiagnosis rates to 98.86% and 99.50% accuracy. The proposed methods make a significant contribution to enhancing diagnostic accuracy in clinical decision support systems, as they enable the efficient processing of complex morphological structures.
- Yüksek Lisans TeziAçık Erişim2024Avuç izi doğrulama için en uygun ilgi alanı bölgesinin tespit edilmesi
Veysel Karani Özkan
Bu çalışma, avuç içi biyometrik tanıma sistemlerinde ilgi alanı bölge seçiminin önemini ve performansa etkilerini derinlemesine incelemektedir. İlgin bölge seçimi, biyometrik verilerin doğruluğunu ve sistemin genel performansını belirleyen kritik bir faktördür ve biyometrik özelliklerin yoğun olduğu bölgelerin tespit edilmesi ve analiz edilmesini sağlamaktadır. Çalışmamızda, bölütlenmiş edilmiş el görüntülerinde parmak arası noktalar referans alınarak kare şeklinde ilgin alanları oluşturulmuştur. Bölütleme işlemi, avuç içi bölgesinin arka plandan ayrılması ve parmak arası noktaların belirlenmesini içermektedir. Bölütleme sonrası belirlenen parmak arası noktalar referans alınarak, bu merkez noktası etrafında kare şeklinde ilgin alanı tanımlanmıştır. Bölgesel büyüklük farkları, bölütlenmiş el görüntülerinde ortaya çıkan farklı boyutlardaki ilgin alanların ortaya çıkmasına neden olmaktadır. Parmakların açık veya kapalı olması, elin açısı ve pozisyonu gibi değişkenler, ilgin alanının büyüklüğünde ve şeklinde farklılıklara neden olabilir. Bu çalışmada, farklı büyüklüklerde ve şekillerdeki ilgin alanlarının kimliklendirmedeki doğruluk oranları üzerindeki etkileri deneysel olarak analiz edilmiştir. Elde edilen sonuçlar, farklı büyüklüklerdeki ilgin alanlarının biyometrik tanıma performansına olan etkilerini göstermektedir. Doğru bölge seçimi, biyometrik doğrulama sistemlerinin doğruluk oranlarını ve işlem hızını önemli ölçüde artırmaktadır. Elin pozisyonu gibi değişkenlerin avuç içi tanımaya olan etkileri de detaylı bir şekilde analiz edilmeye çalışılmıştır. Bu bulguların, biyometrik sistemlerin geliştirilmesine ve daha güvenilir doğrulama süreçlerinin oluşturulmasına katkı sunması beklenmektedir.
- Yüksek Lisans TeziAçık Erişim2024Sinir ağlarında özelleştirilmiş değerler ile ağırlıkların başlatılması ve sınıflandırma sonuçlarına etkilerinin incelenmesi
Hüseyin Kamer Kara
Evrişimli sinir ağı modellerinin evrişim katmanlarının başlangıç değerlerinin belirlenmesi, ağın öğrenme sürecini ve nihai performansını doğrudan etkileyen kritik bir konudur. Yanlış belirlenmiş başlangıç değerleri, gradyan patlaması veya yok olması gibi sorunlara yol açabilir. Bu nedenle, doğru ağırlık başlatma stratejilerinin geliştirilmesi, derin öğrenme modellerinin etkinliğini ve verimliliğini artırmak için önemlidir. Bu tezde, ESA'lardaki evrişim katmanlarının başlangıç değerlerinin belirlenmesinde kullanılan yöntemlerin avantaj ve dezavantajları karşılaştırılmıştır. Xavier, He, sabit değer ve sıfır değer başlatma gibi yaygın yöntemlerin yanı sıra, Gabor filtreleri gibi yenilikçi yaklaşımlar da ele alınmıştır. Gabor filtrelerinin biyolojik görme sistemini taklit eden özellikleri sayesinde, ağırlık başlatma olarak kullanıldığında ağın öğrenme sürecini hızlandırma ve genelleme performansını artırma potansiyeli bulunmaktadır. Bu yöntemlerin performans üzerindeki etkileri, literatürde yaygın olarak kullanılan FashionMNIST veri seti ve IITD Temassız Avuçizi veritabanı ile test edilmiştir. Deneysel çalışmalarda, ağırlık başlatma yöntemlerinin doğrudan performans üzerindeki etkilerini gözlemlemek için basit ağ modelleri kullanılmıştır. Bu yaklaşım, farklı başlatma stratejilerinin teorik avantajlarını pratikte gözlemlemeyi ve karşılaştırmayı mümkün kılmaktadır. Ortak parametrelerin kullanılması, ağırlık başlatma yöntemlerinin karşılaştırılabilirliğini artırmakta ve hangi yöntemin hangi koşullar altında daha üstün performans sergilediğini anlamayı kolaylaştırmaktadır. Bu metodoloji, çalışmanın sonuçlarının güvenilirliğini ve geçerliliğini artırarak literatüre sağlam ve tekrarlanabilir bulgular sunmayı amaçlamaktadır.
- Yüksek Lisans TeziAçık Erişim2023Evrişimsel sinir ağı kullanılarak göğüs radyografilerinde yüksek başarımlı bölütleme yapılması ve pnömoni tespitine etkisinin incelenmesi
İlhan Aydın
Zatürre diğer adıyla pnömoni bakteriyel veya viral enfeksiyonun neden olduğu yaşamı tehdit eden akciğer hastalığıdır. Bu nedenle, hastalığın erken teşhisi ölüm oranını önemli derecede azaltmaktadır. Göğüs röntgenleri (radyografi) hastalığın teşhisinde büyük öneme sahiptir. Pnömoni teşhisinde sağlık alanındaki çalışmalar dışında, mühendislik alanında da birçok çalışma yapılmakta ve teşhis sürecini hızlandırma konusunda kolaylıklar sağlamaktadır. Bu uygulamalardan biri de derin öğrenme yöntemleri ile hastalığı teşhis etmektir. Çalışmada, Python programlama dilinde Tensorflow Kütüphanesi ve erişime açık veri setlerinden yararlanılmıştır. Veri seti olarak içinde 1-5 yaş arası çocukların göğüs röntgenlerinin bulunduğu Veriseti-1 ve bu veri setinden bir kısım görüntülerin işaretli verilerinin de bulunduğu Veriseti-2 kullanılmıştır. İki aşamalı evrişimsel sinir ağı modeli oluşturulmuştur. İlk aşamada, akciğer bölgesi işaretlenmiş Veriseti-2 üzerinde değiştirilmiş U-Net mimarisi kullanılarak bölütlemesi yapılacak Veriseti-1 görüntüleri için model oluşturulmuştur. Ayrıca çalışmanın son kısmında göğüs kafesi bölgesini tespit edebilecek bir yaklaşım önerilmiştir. Oluşturulan model Veriseti-1'de kullanılarak bölütleme yapılmıştır. Bölütleme doğruluğu (accuracy) % 98.98 olarak hesaplanmıştır. Tasarlanan evrişimsel sinir ağı modeli Veriseti-2'ye uygulanmış ve pnömoni tespitinde test doğruluk (accuracy) değeri %98.55 olarak elde edilmiştir.
- Yüksek Lisans TeziAçık Erişim2021Deprem sonrası hasarlı yolların yapay zekâ ile tespit edilerek en kısa yol güzergâhlarının anlık optimizasyonu
Nurcan Şimşek
Doğa kaynaklı afetlerden biri olan depremlerden sonra hasarlı yolların belirlenmesi ve hasar görmemiş uygun yolların bulunması, kurtarma işlemlerinin yürütülmesinde, insanların etkilenen bölgeden en kısa sürede tahliyesinde ya da insani yardım malzemelerinin bölgeye sevk edilmesinde hayati önem taşımaktadır. Günümüzde kullanılan geleneksel insan gözlemi ve uydu görüntüleri ile yapılan yol hasarı değerlendirmeleri zaman alıcı ve maliyetli olmalarının yanı sıra sadece yollarda bulunan hasarları inceleyerek afet bölgelerine ulaşabilmek için trafik geçişi hakkında herhangi bir bilgi içermemektedirler. Bu çalışmada; depremlerden sonra meydana gelen yol hasarlarının otomatik belirlenip afet bölgelerine yakın başka bir güzergâhın belirlenmesi için evrişimli sinir ağı ve klasik en kısa yol algoritmasının birbirine entegrasyonu ile hızlı ve verimli bir hibrit taşıma sistemi oluşturulmuştur. CNN algoritması hasarlı ve hasarsız olmak üzere toplamda 552 yol görüntülerinden oluşan veri setinde eğitilerek VGG-16 mimarisi ile gerçekleştirilen test sonrasında %97 oranında doğruluk elde etmeyi başarmıştır. CNN algoritmasının açık yol ve kapalı yol olarak yapmış olduğu tahminler ile klasik en kısa yol algoritması üzerinden hasar gören yollar, kullanılan ceza terimi ile çıkartılıp tüm kullanılabilir güzergâhlar arasından en kısa mesafeli olan güzergâh belirlenmiştir. Bu iki algoritmanın birbirine entegrasyonu ile hızlı ve verimli bir hibrit taşıma sistemi oluşturularak başarılı sonuçlar elde edilmiştir.
- Yüksek Lisans TeziAçık Erişim2021Görüntü segmentasyonu ile entegre edilmiş evrişimli sinir ağları ile deprem sonrası hasarlı binaların otomatik olarak tespiti
Recep Kiriş
Doğal afet türlerinden biri olan depremlerin meydana gelmesinden sonra birçok afetzedenin hayatını kurtarabilmek ve kriz yönetimini daha mükemmel sonuçlandırabilmek için afet bölgesinde bulunan hasarlı binaları mümkün olduğunca en kısa sürede tespit etmek ve tespit edilen hasarlı binalara müdahalelerde bulunmak son derece önemlidir. Günümüzde, deprem sonrasında hasarlı binaların tespiti afet bölgesinde görev alan yetkililer tarafından gözlemlenerek, uydu görüntülerinden veya helikopter gibi hava araçlarından alınan görüntülerden faydalanılarak yapılmaktadır. Yetkililerin gözlemleriyle hasarlı binaların tespiti zaman açısından ciddi kayıplar doğururken, tespitlerin doğruluğu bakımından da güvenilirliği tartışılır düzeydedir. Bu çalışmada, deprem ve sel gibi beklenmedik afetlerden sonra hasarlı veya tahrip olmuş binaların otomatik olarak tespit edilebilmesi için yapay zeka tabanlı sistemler test edilmiştir. Çalışma sırasında görüntü sınıflandırma literatüründe sıklıkla kullanılan VGG-16, VGG-19 ve NASNet evrişimli sinir ağı modelleri kullanılmıştır. Bu modelleri etkili bir şekilde uygulayabilmek için, önce çalışmada kullanılan tüm görüntüler K-Means kümeleme algoritması ile segmentlere ayrılmıştır. Sonrasında, çalışmanın ilk aşaması için, "hasarlı binalar" ve "normal binalar" olarak etiketlenen resimler sınıflandırılmıştır. VGG-19 modeli test setinde %90 doğruluk oranı elde edilmiştir. Çalışmanın ikinci aşamasında "hasarlı binalar", "daha az hasarlı binalar" ve "normal binalar" olarak etiketlenen resimler için çok sınıflı bir sınıflandırma algoritması oluşturulmuştur. Bu aşamada VGG-19, VGG-16 ve NASNet test setinde sırasıyla yaklaşık %69, %66 ve %62.5 doğruluk oranı elde edilmiştir.