Yazar "Üzen, Hüseyin" seçeneğine göre listele
Listeleniyor 1 - 13 / 13
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Central serous retinopathy classification with deep learning-based multilevel feature extraction from optical coherence tomography images(Elsevier Ltd, 2025) Üzen, Hüseyin; Fırat, Hüseyin; Alperen Özçelik, Salih Taha; Yusufoğlu, Elif; Çiçek, İpek Balıkçı; Şengür, AbdulkadirCentral Serous Chorioretinopathy (CSCR) is an ocular disease characterized by fluid accumulation under the retina, which can lead to permanent visual impairment if not diagnosed early. This study presents a deep learning-based Convolutional Neural Network (CNN) model designed to automatically diagnose acute and chronic CSCR from Optical Coherence Tomography (OCT) images through multi-level feature extraction. The proposed CNN architecture consists of consecutive layers like a traditional CNN. However, it also extracts various features by creating feature maps at four different levels (F1, F2, F3, F4) for the final feature map. The model processes information using group-wise convolution and Pointwise Convolution Block (PCB) at each level. In this way, each feature group is further processed to obtain more representative features, enabling more independent learning. After the PCB outputs, the 4 feature maps are vectorized and combined, thus creating the final feature map. Finally, classification prediction scores are obtained by applying a fully connected layer and softmax function to this feature map. The experimental study utilized two datasets obtained from Elazığ Ophthalmology Polyclinic. The dataset includes 3860 OCT images from 488 individuals, with images categorized into acute CSCR, chronic CSCR, wet AMD, dry AMD, and healthy controls. Our proposed method achieves an increase in accuracy of 0.77%, attaining 96.40% compared to the highest previous accuracy of 95.73% by ResNet101. Precision is enhanced by 0.95%, reaching 95.16% over ResNet101′s 94.21%. The sensitivity (recall) is improved by 0.90%, achieving 95.65% versus ResNet101′s 94.75%. Additionally, the F1 score is increased by 0.93%, attaining 95.38% compared to ResNet101′s 94.45%. These results illustrate the effectiveness of our method, offering more precise and reliable diagnostic capabilities in OCT image classification. In conclusion, this study demonstrates the potential of artificial intelligence-supported diagnostic tools in the analysis of OCT images and contributes significantly to the development of early diagnosis and treatment strategies. © 2025 Elsevier LtdÖğe DEEP LEARNING-BASED ADAPTIVE ENSEMBLE LEARNING MODEL FOR CLASSIFICATION OF MONKEYPOX DISEASE(2024) Üzen, Hüseyin; Fırat, HüseyinMonkeypox a viral disease resembling smallpox often transmitted via animal contact or human-to-human transmission. Symptoms include fever, rash, and respiratory issues. Healthcare experts initially may confuse it with chickenpox or measles due to its rarity, but swollen lymph nodes typically distinguish it. Diagnosis involves tissue sampling and polymerase chain reaction (PCR) testing, although PCR tests have limitations like time consumption and false negatives. Deep learning-based detection offers advantages over PCR, including reduced risk of exposure, quicker results, and improved accuracy. In this study, a novel adaptive ensemble learning (AEL)-based model for monkeypox diagnosis is proposed. This proposed ensemble learning model aims to enhance diagnosis accuracy by combining different deep learning models, leveraging an adaptive approach for model combination. Experimental studies using MSLD and MSID datasets show promising results, with ensemble models achieving high accuracy, precision, recall, and F1 scores. The ResNet101+VGG16 (92.46% accuracy, 92.75% precision, 93.22% recall, and 92.98% F1 score) ensemble model performs best for MSLD, while DenseNet121+Xception (97.58% accuracy, 96.57% precision, 95.74% recall, and 96.14% F1 score) excels for MSID. In addition, the proposed AEL model outperforms previous studies using the same datasets, showcasing its potential for improved monkeypox diagnosis.Öğe DEEP LEARNING-BASED ADAPTIVE ENSEMBLE LEARNING MODEL FOR CLASSIFICATION OF MONKEYPOX DISEASE(Konya Teknik Üniversitesi, 2024) Üzen, Hüseyin; Fırat, HüseyinMonkeypox a viral disease resembling smallpox often transmitted via animal contact or human-to-human transmission. Symptoms include fever, rash, and respiratory issues. Healthcare experts initially may confuse it with chickenpox or measles due to its rarity, but swollen lymph nodes typically distinguish it. Diagnosis involves tissue sampling and polymerase chain reaction (PCR) testing, although PCR tests have limitations like time consumption and false negatives. Deep learning-based detection offers advantages over PCR, including reduced risk of exposure, quicker results, and improved accuracy. In this study, a novel adaptive ensemble learning (AEL)-based model for monkeypox diagnosis is proposed. This proposed ensemble learning model aims to enhance diagnosis accuracy by combining different deep learning models, leveraging an adaptive approach for model combination. Experimental studies using MSLD and MSID datasets show promising results, with ensemble models achieving high accuracy, precision, recall, and F1 scores. The ResNet101+VGG16 (92.46% accuracy, 92.75% precision, 93.22% recall, and 92.98% F1 score) ensemble model performs best for MSLD, while DenseNet121+Xception (97.58% accuracy, 96.57% precision, 95.74% recall, and 96.14% F1 score) excels for MSID. In addition, the proposed AEL model outperforms previous studies using the same datasets, showcasing its potential for improved monkeypox diagnosis.Öğe Detection of Pneumonia Using A Hybrid Approach Consisting of MobileNetV2 and Squeeze-and-Excitation Network(2024) Fırat, Hüseyin; Üzen, HüseyinPneumonia is a global health concern, responsible for a significant number of deaths. Its diagnostic challenge arises from visual similarities it shares with various respiratory diseases, such as tuberculosis, complicating accurate identification. Furthermore, the variability in acquiring and processing chest X-ray (CXR) images can impact image quality, posing a hurdle for dependable algorithm development. To address this, resilient data-centric algorithms, trained on comprehensive datasets and validated through diverse imaging methods and radiology expertise, are imperative. This study presents a deep learning approach designed to distinguish between normal and pneumonia cases. The model, a hybrid of MobileNetV2 and the Squeeze-and-Excitation (SE) block, aims to reduce learnable parameters while enhancing feature extraction and classification. Integration of the SE block enhances classification performance, despite a slight parameter increase. The model was trained and tested on a dataset of 5856 CXR images from Kaggle's medical imaging challenge. Results demonstrated the model's exceptional performance, achieving an accuracy of 98.81%, precision of 98.79%, recall rate of 98.24%, and F1-score of 98.51%. Comparative analysis with various Convolutional neural network-based pre-trained models and recent literature studies confirmed its superiority, solidifying its potential as a robust tool for pneumonia detection, thus addressing a critical healthcare need.Öğe Detection of Pneumonia Using A Hybrid Approach Consisting of MobileNetV2 and Squeeze-and-Excitation Network(Bingol University, 2024) Fırat, Hüseyin; Üzen, HüseyinPneumonia is a global health concern, responsible for a significant number of deaths. Its diagnostic challenge arises from visual similarities it shares with various respiratory diseases, such as tuberculosis, complicating accurate identification. Furthermore, the variability in acquiring and processing chest X-ray (CXR) images can impact image quality, posing a hurdle for dependable algorithm development. To address this, resilient data-centric algorithms, trained on comprehensive datasets and validated through diverse imaging methods and radiology expertise, are imperative. This study presents a deep learning approach designed to distinguish between normal and pneumonia cases. The model, a hybrid of MobileNetV2 and the Squeeze-and-Excitation (SE) block, aims to reduce learnable parameters while enhancing feature extraction and classification. Integration of the SE block enhances classification performance, despite a slight parameter increase. The model was trained and tested on a dataset of 5856 CXR images from Kaggle's medical imaging challenge. Results demonstrated the model's exceptional performance, achieving an accuracy of 98.81%, precision of 98.79%, recall rate of 98.24%, and F1-score of 98.51%. Comparative analysis with various Convolutional neural network-based pre-trained models and recent literature studies confirmed its superiority, solidifying its potential as a robust tool for pneumonia detection, thus addressing a critical healthcare need.Öğe Göğüs Röntgeni Görüntülerinden Akciğer Hastalıklarının Sınıflandırılması için Farklı Derin Öznitelikler ile Beslenen Destek Vektör Makinesi(2024) Üzen, Hüseyin; Fırat, HüseyinEn ölümcül akciğer hastalıklarından üçü olan COVID-19, tüberküloz ve zatürre, rutin olarak göğüs röntgeni (GR) taramaları kullanılarak tespit edilmektedir. Son teknolojik gelişmeler, otomatik teşhis için bilgisayar destekli sistemlerde yeni bir çağ başlatmakta ve önemli faydalar sunmaktadır. Bu çalışma, bu hastalıkları GR'lerden ayırt etmek için tasarlanmış üç aşamalı yeni bir derin öğrenme modeli önermektedir. Modelin ilk aşamasında, derinlemesine ayrılabilir evrişim, geleneksel evrişim ve tam bağlı katmanlar dahil olmak üzere derin özellikleri çıkarmak için bir Evrişimsel Sinir Ağı (ESA) kullanılmaktadır. İkinci aşamada, daha yüksek sınıflandırma başarısı elde etmek için Destek Vektör Makineleri (DVM) sınıflandırıcısı kullanılarak tekrar bir eğitim sürecinden geçirilmektedir. Bu sayede farklı katmanlardan alınan derin özelliklerden daha fazla yararlanılmaktadır. Üçüncü aşamada ise model test edilmektedir. Deneysel çalışmalarda dört sınıftan oluşan GR veri kümesi üzerinde testler gerçekleştirilmiştir. Bu veri kümesi COVID-19, Pnömoni, Normal ve Tüberküloz sınıflarını içermektedir. Kapsamlı deneysel çalışmalar sonucunda önerilen model %99,30 ortalama doğruluk sonucuna ulaşmıştır. Diğer yandan sınıf bazlı sonuçlarda COVID-19 ve Tüberküloz için %100, Normal ve Pnömoni vakaları için ise %98,60 doğruluk oranına ulaşmıştır. Bu sonuçlar COVID-19 ve Tüberküloz sınıflandırması için önerilen modelin çok etkili olduğu görülmektedir. Ayrıca deneysel çalışmaların ikinci bölümünde, önerilen model sonuçları, mevcut modeller ile karşılaştırılmış ve üstün başarılar elde ettiği görülmüştür.Öğe Inception and Squeeze-Excitation Network Based Deep Learning Model for Classification of Alzheimer's Disease from MRI Images(Cukurova University, 2024) Fırat, Hüseyin; Üzen, HüseyinAlzheimer's disease (AD) is a progressive brain disorder, the leading cause of dementia in older adults. Early identification is vital, as treatment is more effective in the disease's initial stages. Deep learning techniques have proven to be effective in medical imaging, including AD detection. This study introduces a novel method for AD classification from MRI images, combining an Inception module and a squeeze-and-excitation block. The Inception module increases convolutional neural network accuracy by using multiple parallel convolutions at different scales. The squeeze-and-excitation block enhances performance with minimal added parameters. The experimental results on the four-class Kaggle dataset yielded an accuracy of 98.28%. Comparisons with recent studies in the literature clearly demonstrate the success of the proposed method in classifying AD with high accuracy. This approach holds promise for accurately classifying AD from medical images, enabling earlier diagnosis and intervention.Öğe MONKEYPOX DISEASE DETECTION FROM SKIN LESION IMAGES USING TRANSFER LEARNING(Adıyaman University, 2024) Fırat, Hüseyin; Üzen, HüseyinMonkeypox is a viral disease predominantly found in Central and West Africa, resulting from infection with the monkeypox virus. Its transmission occurs through close contact with infected individuals, manifesting as flu-like symptoms and skin rashes, often resembling chickenpox or measles, thus increasing the risk of misdiagnosis. Timely and precise diagnosis is crucial for effective medical intervention. Recently, deep learning-based transfer learning methods have emerged as a promising means to accurately differentiate monkeypox from similar diseases. This study leverages pre-trained convolutional neural networks, including VGG16, ResNet models, Xception, Inception models, DenseNet121, and DenseNet201, to create robust diagnostic models by extracting pertinent features from medical images. The "Monkeypox Skin Lesion Dataset" on Kaggle, comprising two classes (Monkeypox and others), was employed to assess these models. Experimental findings revealed that the DenseNet201 model achieved the highest classification accuracy, reaching 95.56%, highlighting its effectiveness when compared to existing literature.Öğe MR Görüntülerinden Alzheimer Hastalığının Sınıflandırılması için Inception ve Sıkma-Uyarma Ağı Tabanlı Derin Öğrenme Modeli(2024) Fırat, Hüseyin; Üzen, HüseyinAlzheimer hastalığı (AH) ilerleyici bir beyin hastalığıdır ve yaşlı yetişkinlerde demansın önde gelen nedenidir. Hastalığın ilk aşamalarında tedavi daha etkili olduğu için erken teşhis hayati önem taşımaktadır. Derin öğrenme tekniklerinin, AH tespiti de dahil olmak üzere tıbbi görüntülemede etkili olduğu kanıtlanmıştır. Bu çalışmada, manyetik rezonans görüntüleme görüntülerinden AH sınıflandırması için bir Inception modülü ile bir sıkma ve uyarma bloğunu birleştiren yeni bir yöntem tanıtılmaktadır. Inception modülü, farklı ölçeklerde çoklu paralel evrişimler kullanarak evrişimsel sinir ağı doğruluğunu arttırmaktadır. Sıkma ve uyarma bloğu, minimum ek parametre ile performansı arttırmaktadır. Dört sınıflı Kaggle veri seti üzerindeki deneysel sonuçlar ile %98,28'lik bir doğruluk değeri elde edilmiştir. Literatürdeki son çalışmalarla yapılan karşılaştırmalar, önerilen yöntemin AH'yi yüksek doğrulukla sınıflandırmadaki başarısını açıkça göstermektedir. Bu yaklaşım, tıbbi görüntülerden AH'yi doğru bir şekilde sınıflandırarak daha erken teşhis ve müdahaleye olanak sağlama konusunda umut vaat etmektedir.Öğe ÖZNİTELİK ENTEGRASYONUNA DAYALI ESA MİMARİSİ KULLANILARAK ENDOSKOPİK GÖRÜNTÜLERİN SINIFLANDIRILMASI(2024) Üzen, Hüseyin; Fırat, HüseyinDerin öğrenme (DL) tekniklerindeki son gelişmeler, tıbbi görüntüler kullanılarak gastrointestinal (GI) hastalıkların sınıflandırılmasını otomatikleştirmek için umut verici bir potansiyel göstermektedir. Zamanında ve kesin teşhis, tedavi etkinliğini önemli ölçüde etkilemektedir. Bu araştırma, GI hastalıklarını tanımlamak için yeni bir DL tabanlı modeli tanıtmaktadır. Bu model, önceden eğitilmiş ağ mimarilerinin ara katmanlarından elde edilen öznitelikleri birleştirerek sınıflandırma işlemini gerçekleştirmektedir. Öznitelik entegrasyonuna dayalı evrişimsel sinir ağı (ESA) olarak adlandırılan bu modelde, endoskopik görüntüleri sınıflandırmak için önceden eğitilmiş ağ mimarilerinin yüksek ve düşük seviyeli öznitelikleri birleştirilerek nihai öznitelik haritası elde edilmektedir. Daha sonra bu öznitelik haritası sınıflandırma için kullanılmaktadır. Kvasirv2 veri seti kullanılarak yapılan deneysel analizler sonucunda, önerilen model ile başarılı bir performans elde edilmiştir. Özellikle, DenseNet201 modelinin ara katmanlarındaki özelliklerin birleştirilmesi, sırasıyla %94.25, %94.28, %94.24 ve %94.24 doğruluk, kesinlik, duyarlılık ve F1 puanı ile sonuçlanmıştır. Diğer ESA tabanlı önceden eğitilmiş modellerle ve son çalışmalarla yapılan karşılaştırmalı analizler, önerilen modelin üstünlüğünü ortaya koymuş ve doğruluğu %94.25'e yükseltmiştir. Bu, endoskopik görüntülerden GI hastalık tespitinde gelişmiş sınıflandırma doğruluğu için DenseNet201'in ara katmanlarındaki özelliklerden yararlanma potansiyelinin altını çizmektedir.Öğe ÖZNİTELİK ENTEGRASYONUNA DAYALI ESA MİMARİSİ KULLANILARAK ENDOSKOPİK GÖRÜNTÜLERİN SINIFLANDIRILMASI(Kahramanmaras Sutcu Imam University, 2024) Üzen, Hüseyin; Fırat, HüseyinDerin öğrenme (DL) tekniklerindeki son gelişmeler, tıbbi görüntüler kullanılarak gastrointestinal (GI) hastalıkların sınıflandırılmasını otomatikleştirmek için umut verici bir potansiyel göstermektedir. Zamanında ve kesin teşhis, tedavi etkinliğini önemli ölçüde etkilemektedir. Bu araştırma, GI hastalıklarını tanımlamak için yeni bir DL tabanlı modeli tanıtmaktadır. Bu model, önceden eğitilmiş ağ mimarilerinin ara katmanlarından elde edilen öznitelikleri birleştirerek sınıflandırma işlemini gerçekleştirmektedir. Öznitelik entegrasyonuna dayalı evrişimsel sinir ağı (ESA) olarak adlandırılan bu modelde, endoskopik görüntüleri sınıflandırmak için önceden eğitilmiş ağ mimarilerinin yüksek ve düşük seviyeli öznitelikleri birleştirilerek nihai öznitelik haritası elde edilmektedir. Daha sonra bu öznitelik haritası sınıflandırma için kullanılmaktadır. Kvasirv2 veri seti kullanılarak yapılan deneysel analizler sonucunda, önerilen model ile başarılı bir performans elde edilmiştir. Özellikle, DenseNet201 modelinin ara katmanlarındaki özelliklerin birleştirilmesi, sırasıyla %94.25, %94.28, %94.24 ve %94.24 doğruluk, kesinlik, duyarlılık ve F1 puanı ile sonuçlanmıştır. Diğer ESA tabanlı önceden eğitilmiş modellerle ve son çalışmalarla yapılan karşılaştırmalı analizler, önerilen modelin üstünlüğünü ortaya koymuş ve doğruluğu %94.25'e yükseltmiştir. Bu, endoskopik görüntülerden GI hastalık tespitinde gelişmiş sınıflandırma doğruluğu için DenseNet201'in ara katmanlarındaki özelliklerden yararlanma potansiyelinin altını çizmektedir.Öğe Support Vector Machine Fed with Different Deep Features for Classification of Lung Diseases from Chest X-Ray Images(Gazi University, 2024) Üzen, Hüseyin; Fırat, HüseyinCOVID-19, tuberculosis, and pneumonia, three of the most deadly lung diseases, are routinely detected using chest X-ray (CXR) scans. Recent technological advancements are ushering in a new era of computer-assisted systems for automated diagnosis, offering significant benefits. This study proposes a three-stage deep learning model designed to differentiate these diseases from CXRs. In the initial phase of the model, a Convolutional Neural Network (CNN) is used to extract deep features, including depthwise separable convolution, conventional convolution, and fully connected layers. In the second phase, a Support Vector Machine (SVM) classifier is employed for retraining to achieve higher classification accuracy, maximizing the utilization of deep features from different layers. The third stage involves testing the model. Experimental tests were conducted on a CXR dataset comprising four classes: COVID-19, Pneumonia, Normal, and Tuberculosis. Following comprehensive experimental studies, the proposed model achieved an average accuracy of 99.30%. Moreover, in class-specific results, it reached 100% accuracy for COVID-19 and Tuberculosis, and 98.60% accuracy for Normal and Pneumonia cases, indicating the high effectiveness of the proposed model in classifying COVID-19 and Tuberculosis. Furthermore, in the second part of the experimental studies, the outcomes of the proposed model were compared with existing models, demonstrating superior achievements.Öğe TRANSFER ÖĞRENME KULLANILARAK DERİ LEZYON GÖRÜNTÜLERİNDEN MAYMUN ÇİÇEĞİ HASTALIĞININ TESPİTİ(2024) Fırat, Hüseyin; Üzen, HüseyinMaymun çiçeği, ağırlıklı olarak Orta ve Batı Afrika'da bulunan ve maymun çiçeği virüsü enfeksiyonundan kaynaklanan viral bir hastalıktır. Bulaşma, enfeksiyon kapmış kişilerle yakın temas yoluyla meydana gelmektedir. Grip benzeri semptomlar ve deri döküntüleri şeklinde kendini göstermektedir. Çoğunlukla su çiçeği veya kızamığa benzer ve dolayısıyla yanlış teşhis riskini arttırmaktadır. Etkili tıbbi müdahale için zamanında ve kesin tanı çok önemlidir. Son zamanlarda, derin öğrenmeye dayalı transfer öğrenme yöntemleri, maymun çiçeğini benzer hastalıklardan doğru bir şekilde ayırt etmek için umut verici bir araç olarak ortaya çıkmıştır. Bu çalışma, tıbbi görüntülerden ilgili özellikleri çıkararak sağlam teşhis modelleri oluşturmak için VGG16, ResNet modelleri, Xception, Inception modelleri, DenseNet121 ve DenseNet201 dahil olmak üzere önceden eğitilmiş evrişimsel sinir ağlarından yararlanmaktadır. Bu modelleri değerlendirmek için Kaggle'daki iki sınıftan (MaymunÇiçeği ve diğerleri) oluşan \"Maymun Çiçeği Cilt Lezyonu Veri Seti\" kullanılmıştır. Deneysel bulgular, DenseNet201 modelinin %95.56'ya ulaşarak en yüksek sınıflandırma doğruluğuna ulaştığını ve mevcut literatürle karşılaştırıldığında etkinliğini öne çıkardığını ortaya koymaktadır.
