Sürdürülebilir Kalkınma Amaçları

• 6
• 2

• MakaleAçık Erişim2025/r/gumushane/14251
  A Video-Based Mobile Palmprint Dataset and an Illumination-Robust Deep Learning Architecture for Unconstrained Environments

  Koşmaz Sünnetci, Betül; Bingöl, Özkan; Gedikli, Eyüp; Ekinci, Murat; Doğan, Ramazan Özgür; Türk, Salih; Güngör, Nihan

  Featured Application: The proposed framework facilitates secure and user-friendly biometric authentication on mobile platforms, particularly in mobile payment and access control scenarios, under unconstrained conditions. The widespread adoption of mobile devices has made secure and user-friendly biometric authentication critical. However, widely used modalities such as fingerprint and facial recognition show limited robustness under uncontrolled illumination and on heterogeneous devices. In contrast, palmprint recognition offers strong potential because of its rich textural patterns and high discriminative power. This study addresses the limitations of laboratory-based datasets that fail to capture real-world challenges. We introduce MPW-180, a novel dataset comprising videos of 180 participants recorded on their own smartphones in everyday environments. By systematically incorporating diverse illumination conditions (with and without flash) and natural free-hand movements, MPW-180 is the first dataset to adopt a bring-your-own-device paradigm, providing a realistic benchmark for evaluating generalization in mobile biometric models. In addition, we propose PalmWildNet, an SE-block-enhanced deep learning architecture trained with Triplet Loss and a cross-illumination sampling strategy. The experimental results show that conventional methods suffer over 50% performance degradation under cross-illumination conditions. In contrast, our method reduces the Equal Error Rate to 1–2% while maintaining an accuracy above 97%. These findings demonstrate that the proposed framework not only tolerates illumination variability but also learns robust illumination-invariant representations, making it well-suited for mobile biometric authentication.

  İncele
• BildiriAçık Erişim2024/r/gumushane/16231
  Cross-view Gait Recognition Based on Fine-Tuned Deep Networks

  Yaprak, Busranur; Gedikli, Eyup; Bingöl, Ozkan; Dogan, Ramazan Ozgur

  Gait recognition is a biometrics-based computer vision process used to identify people based on their walking styles. Compared to other types of biometrics, gait offers a more advantageous recognition process as it does not require high-resolution and close-range images and obtains without contact. But besides this, gait biometrics is highly affected by cross-view variation, and under this variation recognition performance decreases significantly. In this study, performance evaluations of fine-tuned VGG-16 and ResNet-50 deep CNN networks on the cross-view gait recognition problem are performed. For this purpose, Gait energy images (GEI) and Silhouettes obtained from CASIA-B, the most comprehensive data set in gait recognition, are given as input to the networks. The experimental results showed that the VGG-16 network achieved higher recognition rates in cross-view gait recognition.

  İncele
• BildiriAçık Erişim2024/r/gumushane/14518
  High-Accuracy Hand Segmentation for Palmprint Biometric Systems Improving Auto-Encoder Techniques

  Yalcin, Kadir; Dogan, Ramazan Ozgur; Dogan, Hulya; Bingol, Ozkan

  Biometric technologies have been widely adopted in various commercial products, ranging from security systems to personal devices, due to their exceptional reliability and user-friendliness. Among these, palmprint biometrics has gained increasing attention for its advantages, such as ease of use, a larger surface area, and the ability to capture more features compared to other biometric methods. A typical palmprint biometric system involves five key stages: (a) Image Acquisition, (b) Hand Segmentation, (c) Pattern Generation, (d) Feature Extraction, and (e) Verification/Identification. The overall success of the system depends on the effectiveness of each stage, with hand segmentation being crucial for identifying the most relevant features for accurate verification. This study aims to achieve high-accuracy biometric recognition by segmenting hands from images captured in uncontrolled environments with complex backgrounds. Accuracy (ACC), Intersection over Union (IoU), F1-Score, and Dice Coefficient are the four critical metrics used to assess the performance of segmentation techniques. The findings demonstrate that the U-Net + ViT and MA-Net + ResNet34 techniques outperform traditional auto-encoder methods in both quantitative performance metrics and visual analysis, leading to significantly improved hand segmentation for biometric systems.

  İncele
• MakaleAçık Erişim2024/r/gumushane/14147
  DL-EDOF: Novel Multi-Focus Image Data Set and Deep Learning-Based Approach for More Accurate and Specimen-Free Extended Depth of Focus

  Dogan, Hulya; Dogan, Ramazan Ozgur; Ay, Ilyas; Sezen, Sena F.

  Depth of focus (DOF) is defined as the axial range in which the specimen stage moves without losing focus while the imaging apparatus remains stable. It may not be possible to capture an image that includes the entire specimen in focus due to the narrow DOF in microscopic systems. Extended depth of focus (EDOF) is used to overcome this limitation in microscopic systems. Although the researchers have developed so many EDOF microscope approaches, this research field still has some crucial shortcomings such as high computational costs, complexity and execution time, requiring additional equipment, low precise characterization of curves, and edges in images, varying performance depending on the specimen and microscope, using only gray levels of input images to acquire the pixel’s focus values. In order to minimize these shortcomings and comprehensively analyze the performance of EDOF approaches, a novel multi-focus image data set is generated, and a deep learning-based EDOF microscope approach is proposed in this study. When compared with the state-of-art EDOF approaches, our study provides various crucial contributions such as the first EDOF approach based on unsupervised deep learning, providing more accurate and specimen-free EDOF, generating a novel multi-focus image data, not requiring any pre- or post-processing technique and acquiring the pixel’s focus degrees using deep features. In order to evaluate the effectiveness of the suggested approach, 20 different EDOF approaches are applied to a multi-focus image data set containing 9 image collections (4 synthetic and 5 microscope image collections) in total. Performance analysis metrics with and without requiring a reference image are preferred to identify which EDOF microscope approach can extract more essential details from the multi-focus images for the synthetic and microscope image collections, which are Root Mean Square Error (RMSE), Peak Signal Noise Ratio (PSNR), Universal Quality Index (UQI), Correlation Coefficient (CC), Perception-based Image Quality Evaluator (PIQE), Blind/Referenceless Image Spatial Quality Evaluator (BRISQUE), Extension of Universal Quality Index for N Images (UQIN), and Naturalness Image Quality Evaluator (NIQE). Objective and subjective analysis of this study demonstrates that unsupervised deep learning model is more efficient to transmit crucial details from multi-focus images. Moreover, the suggested EDOF microscope approach with highest PSNR, UQI, CC, UQIN and lowest RMSE, PIQE, BRISQUE, NIQE produces higher performance than the state-of-art approaches.

  İncele
• BildiriAçık Erişim2024/r/gumushane/12571
  An Efficient Technique Based on Deep Learning for Automatic Focusing in Microscopic System

  Dogu, Fatma Tuana; Dogan, Hulya; Dogan, Ramazan Ozgur; Ay, Ilyas; Sezen, Sena F.

  During microscopic examination process, experts firstly determine the most appropriate focusing point by precisely moving the microscope stage in the Z axis. This manual focusing process may cause variability in results depending on hand-eye coordination and individual experience. Therefore, the development of automatic focusing offers superior quality and consistent imaging. Many researchers have studied automatic focusing systems and proposed many focus functions to extract focus information from multi-focus images. Nevertheless, these focusing systems still consist of several significant limitations such as requiring a supplementary material, longer running time, producing different performance depending on the sample and magnification objective. In this study, an efficient technique based on deep learning is proposed to automatically determine the focused image during microscopic examination processes to minimize these limitations in the literature. This technique takes a sequence of images with the same field of view and different focuses as input and gives the image with maximum focusing as output. The proposed technique is compared with other automatic focusing techniques on the literature. In this study, novel multi-focus image sequences obtained from liver, intestine, heart, kidney, and lung samples is prepared to evaluate the performance of automatic focusing techniques. These sequences are obtained by scanning with 10× and 40× magnification objectives. Running time, accuracy, number of local maximum points, range, and noise levels are used as evaluation criteria in this study. According to evaluation criteria results obtained in this study, it has been proven that the proposed technique provides better performance than other automatic focusing techniques.

  İncele
• MakaleAçık Erişim2023/r/gumushane/20367
  Floresan Mikroskop Sistemlerinde Yüksek Doğruluklu Nükleer Segmentasyonu için Otomatik Kodlayıcı Tabanlı Modellerin Geliştirilmesi

  Doğan, Ramazan Özgür; Dogan, Hulya; Emir, Sümeyye Nur; Danışmaz, Sibel

  Mikroskobik sistemlerde doku veya hücre numunelerinde nükleer morfoloji veya biyolojik belirteçler gibi bölümleri görselleştirmek için hematoksilen ve eozin (Hematoxylin and eosin - H&E) histolojik boyamalar, immünohistokimyasal (immunohistovhemical - IHC) ve immünofloresan (immunofluorescence - IF) boyama yaklaşımları geliştirilmiştir. H&E veya IHC boyamalar ile karşılaştırıldığında, IF boyamaların sayısala aktarılması uzmanlar için daha zorlu ve zaman alıcı olmaktadır. Fakat, IF boyama yaklaşımlarında daha fazla hücresel veya hücre altı belirteç görüntülenebilmektedir. Floresan mikroskoplardan elde edilmiş nükleer segmentasyonunun yüksek doğrulukla otomatik gerçekleştirilmesi IF boyama yaklaşımlarındaki hücreler hakkında daha fazla bilgi elde edilmesini sağlamaktadır. Literatürde diğer mikroskobik sistemlerden elde edilmiş görüntülerde hücre veya doku segmentasyonu için birçok çalışma geliştirilmiş ve yüksek doğruluklu sonuçlar elde edilmiştir. Fakat diğer alanlarda gerçekleştirilen bu başarı, floresan mikroskoplardan elde edilmiş görüntülerdeki nükleer segmentasyonu için elde edilmemiştir. Bu kapsamda, çalışmada floresan mikroskop sistemlerinde nükleer segmentasyonu için yüksek doğruluklu otomatik kodlayıcı modelleri geliştirilmektedir. Geliştirilen otomatik kodlayıcı modellerinin analizi uzman kişiler tarafından işaretlenmiş, floresan mikroskop görüntülerinden oluşan veri seti kullanılarak gerçekleştirilmektedir. Çalışmada kullanılan performans değerlendirme prosedürleri açısından, gerçekleştirilen otomatik kodlayıcı modellerinin başarılarının otomatik nükleer segmentasyon için tatmin edici olduğu açıkça görülmektedir.

  İncele
• MakaleAçık Erişim2023/r/gumushane/20279
  Odaklama derinliğinin artırılmasında derin özelliklerin odaklama değerlerinin çıkarılmasındaki etkilerinin incelenmesi

  Doğan, Ramazan Özgür; Dogan, Hulya; Emir, Sümeyye Nur; Danışmaz, Sibel

  Mikroskobik sistemlerde var olan odaklama derinliğinden dolayı numunenin tüm alanının odaklandığı görüntü elde etmek imkânsız olabilmektedir. Bu durum, mikroskobik sistemlerde görüntü işleme ve yapay zekâ algoritmaları kullanılarak gerçekleştirilen sınıflandırma, bölütleme, hizalama (registration), panoramik birleştirme (stitching) gibi uygulamalarının başarılarını olumsuz yönde etkilemektedir. Literatürde numunenin tüm alanının odaklandığı görüntü elde etmek için odaklama derinliğinin artırılması yaklaşımları geliştirilmektedir. Literatür çalışmaları, bu yaklaşımların, görüntülerdeki eğrilerin ve kenarların düşük kesinlikte karakterizasyonu, daha yüksek koşma süresi ve incelenen numuneye ve kullanılan mikroskoba göre performans değişimi gibi çeşitli kısıtlamalara sahip olduklarını ortaya koymaktadır. Ek olarak, bu yaklaşımlar odaklama bilgilerini genelde görüntülerin gri seviye değerlerini kullanarak hesaplamaktadırlar. Bu çalışmada bu kısıtlamaları minimize etmek için yeni bir odaklama derinliğinin artırılması yaklaşımı geliştirilmekte ve odaklama derinliğinin artırılmasında derin özelliklerin odaklama değerlerinin çıkarılmasındaki etkileri incelenmektedir. Çalışmada elde edilen sonuçlar derin özelliklerin piksellerin odaklama değerlerini hesaplamada gri seviye değerlerine göre daha etkin olduğunu göstermektedir.

  İncele
• MakaleYalnız künye2023/r/gumushane/16990
  İlaç - İlaç Etkileşimi Tahmini için Konvolüsyonel Sinir Ağı Tabanlı Yeni Bir Yaklaşım

  Doğan, Ramazan Özgür; Sezen, Feride Sena; Dogan, Hulya

  Aynı anda birden fazla ilaç kullanımında özellikle son yıllarda büyük artış görülmektedir. Bu durum ilaçlar arası reaksiyon olarak tanımlanan ilaç – ilaç etkileşimlerine yol açabilmektedir. Hastalarda oluşabilecek olumsuz durumların engellenmesi için ilaçlar arasındaki etkileşimlerin tahmin edilmesi gerekmektedir. İlaç – ilaç etkileşimlerinin tahmini genelde deneyler ile gerçekleştirmekte ve yoğun iş yükü gerektirmektedir. Klinisyenlerin daha doğru kararlar alması ve uygun tedavi programları oluşturması için literatürde otomatik ilaç – ilaç etkileşimi tahmini gerçekleştiren yaklaşımlar sıklıkla gerçekleştirilmiştir. Literatürde ilaç – ilaç etkileşimi tahmini için birçok çalışma geliştirilmesine rağmen, bu alanda hala belirgin kısıtlamalar mevcuttur. İlaç – ilaç etkileşimi tahmini alanında karşılaşılan kısıtlamaları minimize etmek amacıyla bu çalışmada ilaçların yapısal özellikleri kullanılarak literatürdeki çalışmalardan daha gelişmiş konvolüsyon sinir ağı modeli önerilmektedir. Önerilen yaklaşım, özellik çıkarma ve konvolüsyon sinir ağı modelinin tasarımı olmak üzere iki ana aşamada gerçekleştirilmektedir. Çalışmada kullanılan performans değerlendirme prosedürleri açısından, önerilen yaklaşımın başarısının ilaç – ilaç etkileşimi tahmini için tatmin edici olduğu açıkça görülmektedir.

  • 
  İncele
• MakaleAçık Erişim2023/r/gumushane/16952
  3B Şekil Oluşturmak için Alt Örneklemesiz Shearlet Dönüşümüne Dayalı Yeni ve Yüksek Kaliteli Odaklama Ölçüm Operatörü

  Doğan, Ramazan Özgür; Dogan, Hulya

  3B şekil oluşturulma sürecinde herhangi ek donanım gerektirmeyen Odaktan Şekil (Shape From Focus - SFF) en çok tercih edilen stratejilerdendir. SFF stratejisi, 3B şekil oluşturma sürecinde farklı odaklı 2B görüntü serisi kullanmakta ve üç temel aşamadan oluşmaktadır: (1) Farklı odaklı 2B görüntü serisinin elde edilmesi, (2) Görüntü piksellerinin odaklama değerlerinin hesaplanması ve (3) Maksimum odaklı pikselin seçilmesi. Yüksek doğruluk ve daha düşük gürültü ile 3B şekil oluşturmak için, araştırmacılar SFF'nin ikinci aşamasında yeni odaklama ölçüm operatörü önermek yerine genellikle bir ön veya son işlem algoritmaları geliştirmektedirler. Literatür çalışmalarının aksine, bu çalışmada herhangi bir ön veya son işlem gerektirmeyen Alt Örneklemesiz Shearlet Dönüşümü'ne dayalı yeni ve yüksek kaliteli odaklama ölçüm operatörü önerilmektedir. Önerilen odaklama ölçüm operatörünün etkinliği sentetik görüntü serileri kullanılarak pencere boyutu ve gürültü seviyesi gibi farklı koşullar altında analiz edilmektedir. Elde edilen öznel ve nesnel sonuçlar önerilen odaklama ölçüm operatörünün daha iyi performans sağladığını göstermektedir.

  İncele
• BildiriYalnız künye2023/r/gumushane/16778
  Shape of Masses in Contrast Mammography Images and First Order Statistical Features Classification Based on

  Kobya, Mehmet Emin; Ture, Hayati; Dogan, Ramazan Ozgur; Kayikcioglu, Temel; Teymur, Aykut; Kul, Sibel

  Mammography is a valuable tool in the diagnosis and staging of primary breast cancer. Contrast-enhanced mammography (CEM) combines an iodinated contrast agent with traditional mammography to increase diagnostic accuracy, especially in women with more dense parenchymal background patterns. In this study, a Decision Support System (DSS) is proposed that classifies masses using radiomic features obtained from masks of benign and malignant masses in images obtained with the CEM technique. An open-access database containing 2006 CEM images was used in this study. Radiomic features obtained from these images were used to identify differences between benign and malignant masses. The DSS uses these features to classify masses using a decision tree algorithm. This study highlights the importance of the use of iodinated contrast agents to improve diagnostic accuracy in women with more dense parenchymal background patterns. Additionally, it emphasizes the potential benefits of a DSS, in combination with radiomic features, in the diagnosis and staging of breast cancer. In conclusion, this study demonstrates that the use of radiomic features in mammography images obtained with the CEM technique is an effective way to classify benign and malignant masses.The use of this technology could be an important tool in the early diagnosis and accurate classification of breast cancer.

  • 
  İncele