Yazar "Kaya, Buket" seçeneğine göre listele
Listeleniyor 1 - 8 / 8
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Brain Stroke Detection from CT Images using Transfer Learning Method(2023) Çınar, Necip; Kaya, Buket; Kaya, Mehmet; 0000-0002-5106-6240Recently, with the production of high-capacity computers, artificial intelligence methods have been used in many areas. In particular, in the field of health, artificial intelligence methods are used to detect diseases and determine the treatments to be applied. Deep learning methods, a sub-branch of artificial intelligence, show a high success in diagnosing many diseases thanks to its deep CNN networks. In this study, firstly, it was tried to determine which deep learning methods are more successful for the detection of brain stroke from computerized tomography images. This study is of great importance in terms of determining which deep learning architectures we will focus on in our future studies on brain stroke. In this study, brain stroke disease was detected from CT images by using the five most common used models in the field of image processing, one of the deep learning methods. The pre-trained ResNetl01, VGG19, EfficientNet-B0, MobileNet-V2 and GoogleNet models were run with the same dataset and same parameters. As a result, the EfficientNet-B0 architecture showed the highest performance with 97.93% accuracy. ResNetl01, VGG19, MobileNet-V2 and GoogleNet models showed 94.32%, 97.28%, 92.30% and 91.61% accuracy rates, respectively. With this study, it was concluded that the EfficientNet architecture is more suitable for the detection of brain stroke disease from CT images.Öğe Cilt Kanseri Görüntüleri Kullanılarak Eğitilen EfficientNet-B3 Mimarisinde Hiperparametre Seçiminin Sınıflandırma Performansına Etkisinin İncelenmesi(2024) Karlı, Ahmet Bahadır; Kaya, BuketBu çalışmada cilt kanserini tespit etmek için derin öğrenme tekniklerini kullanan EfficienNetB3 gibi mimarilerin performanslarını görmek için cilt lezyonlarını içeren HAM10000 veri seti ile çalışma yapılmıştır. Bu çalışmada derin öğrenmede, öğrenme oranının görüntü sınıflandırmada kullanılan evrişimli sinir ağlarını kullanan mimariler üzerindeki etkisini görmek için uygulamalar yapılmıştır. Bu uygulamalar öğrenme oranının, veri setinin büyüklüğü ve çeşitliliği ve eğitimde kullanılan görüntü sayıları ile birlikte artırılmış görüntü sayılarının hem sınıflandırmadaki başarıya hem de eğitim için geçen süreye etkisini görmek amacıyla yapılmıştır. Mimari olarak EfficientNetB3 ve veri seti olarak ta Kaggle platformunda açık erişimi olan HAM10000 veri seti kullanılmıştır. Çalışmanın sonunda, mümkün olduğu kadar artırılmış görüntü kullanmadan ve her bir hastalık sınıfına ait 600 görüntü olacak şekilde, 0,002 öğrenme oranı ve 10 yerine epoch 15 alınarak beşinci uygulamada en yüksek 0.8234 doğruluk performansı elde edilmiştir.Öğe Cilt Kanseri Görüntüleri Kullanılarak Eğitilen EfficientNet-B3 Mimarisinde Hiperparametre Seçiminin Sınıflandırma Performansına Etkisinin İncelenmesi(Fırat Üniversitesi, 2024) Karli, Ahmet Bahadır; Kaya, BuketBu çalışmada cilt kanserini tespit etmek için derin öğrenme tekniklerini kullanan EfficienNetB3 gibi mimarilerin performanslarını görmek için cilt lezyonlarını içeren HAM10000 veri seti ile çalışma yapılmıştır. Bu çalışmada derin öğrenmede, öğrenme oranının görüntü sınıflandırmada kullanılan evrişimli sinir ağlarını kullanan mimariler üzerindeki etkisini görmek için uygulamalar yapılmıştır. Bu uygulamalar öğrenme oranının, veri setinin büyüklüğü ve çeşitliliği ve eğitimde kullanılan görüntü sayıları ile birlikte artırılmış görüntü sayılarının hem sınıflandırmadaki başarıya hem de eğitim için geçen süreye etkisini görmek amacıyla yapılmıştır. Mimari olarak EfficientNetB3 ve veri seti olarak ta Kaggle platformunda açık erişimi olan HAM10000 veri seti kullanılmıştır. Çalışmanın sonunda, mümkün olduğu kadar artırılmış görüntü kullanmadan ve her bir hastalık sınıfına ait 600 görüntü olacak şekilde, 0,002 öğrenme oranı ve 10 yerine epoch 15 alınarak beşinci uygulamada en yüksek 0.8234 doğruluk performansı elde edilmiştir.Öğe Comparison of deep learning models for brain tumor classification using MRI images(Ieee, 2022) Cinar, Necip; Kaya, Buket; Kaya, MehmetBrain tumor is a type of cancer that can occur in humans, sometimes with fatal consequences, or seriously affect quality of life. Detection of brain tumors using deep learning methods is a very positive development for experts. Deep learning methods enable experts to perform tumor detection and treatment easier and faster. There are many methods are used to detect tumors from brain MRI images. Among these methods, deep learning methods have made a significant improvement over other methods. In this study, it is aimed to compare the models used for tumor detection from brain MRI images within the scope of deep learning methods. For this reason, the five most commonly used convolutional neural networks for brain tumor classification are discussed. VGG19, DenseNet169, AlexNet, InceptionV3 and ResNet101 models, which are Convolutional Neural Network (CNN) architectures, were used. MR images, which underwent the same dataset and preprocessing processes, were trained with these models with the same hyper-parameters. As a result of the study, the ResNet101 model obtained the highest accuracy rate with an accuracy value of 98,6%. In addition, the VGG19 model showed a very high accuracy rate of 97.2%. Other models have accuracy values of InceptionV3 94.3%, DenseNet169 92.8%, and AlexNet 89.5%, respectively. This low success rate reveals that the architectures used in these models are not suitable for studies on MR images compared to other architectures. As a result, it has been concluded that the use of ResNet architecture for tumor detection from brain MR images is more advantageous than other models.Öğe Derin Öğrenme ve İstatistiksel Modelleme Yöntemiyle Sıcaklık Tahmini ve Karşılaştırılması(Osman SAĞDIÇ, 2021) Sevinç, Aynur; Kaya, BuketHava sıcaklığı tahmininin son yıllarda özellikle tarıma dayalı ekonomileriyle öne çıkan ülkeler için yüksek doğruluk içermesi önemlidir. Sürekli değişen hava şartları nedeniyle tahmin daha karmaşık hale gelmektedir. Bazı matematiksel ve istatistiksel teknikler sıcaklık tahmini sağlamada yetersiz olabilmektedir. Bu noktada derin öğrenme yöntemleri bu süreci daha başarılı hale getirmede son yıllarda kabul gören popüler yöntemler olarak karşımıza çıkmaktadır. Etkili bir iklim analizi gerçekleştiren derin yöntemler ile başarılı hava tahmini çalışmaları yapılabilmektedir. Bu makalenin amacı, meteorolojik verilere dayalı hava sıcaklığı tahmini için çeşitli derin öğrenme ve zamansal seri analizi yöntemlerinin uygulanabilirliğini göstermek ve performans sonuçlarını karşılaştırmaktır. Bu çalışmanın gerçekleştirilmesi için Türkiye’nin Doğu Anadolu Bölgesi’nde yer alan Bingöl ilinin Solhan ilçesine ait meteorolojik veriler kullanılarak, derin sinir ağı Uzun Kısa Süreli Bellek (LSTM) ve Otoregresif Entegre Hareketli Ortalama (ARIMA) modelleri ile analizler yapılmıştır. Gerçek veri kümesi üzerinde yapılan deney sonuçlarında geleceğe yönelik sıcaklık tahmininde başarılı sonuçlar elde edilmiştir. Bu modellerin tahmine dayalı performansları farklı değerlendirme metrikleri kullanılarak karşılaştırılmıştır. Gerçek değerler ile tahmini değerler arasındaki ilişkiyi gösteren R kare skoru değeri LSTM ağlarında 0.95, ARIMA modelinde ise 0.97 olarak hesaplanmıştır. Modellerin tahmin doğruluğunun yüksek olması, sıcaklık zaman serisi tahmini çalışmalarında bu modellerin başarılı bir şekilde uygulanabileceğini göstermiştir.Öğe Derin Öğrenme Yöntemleri ile Sıcaklık Tahmini: Diyarbakır İli Örneği(Ali KARCI, 2021) Sevinç, Aynur; Kaya, BuketBirçok uygulamada kısa vadeli sıcaklık tahminleri gereklidir. Bu tür tahminlere olan talep birçok alanla beraber özellikle enerji endüstrisinde artmıştır. Daha iyi sıcaklık tahminleri için veriye dayalı modeller giderek daha fazla popülerlik kazanmaktadır. Bu yaklaşımlar arasında derin öğrenme kavramları, yani birden çok gizli katmana sahip sinir ağları bulunmaktadır. Bu çalışmanın odak noktası, meteorolojik verilere dayalı hava sıcaklığı tahmini için derin öğrenmenin uygulanabilirliğini göstermektir. Bu kapsamda T.C. Meteoroloji Genel Müdürlüğü Meteorolojik Veri Bilgi Sunum ve Satış Sistemi’nden (MEVBİS) alınan 2014-2020 yılları arasındaki hava sıcaklığı verileri kullanılarak, Güneydoğu Anadolu Bölgesi’nde yer alan Diyarbakır ili için derin öğrenme algoritmaları ile sıcaklık tahmini yapılmıştır. Bu çalışmanın derin öğrenme mimarisini, Özyinelemeli Sinir Ağlarının (Recurrent Neural Network-RNN) özel bir türü olan Uzun-Kısa Süreli Bellek (Long-Short Term Memory-LSTM) oluşturmaktadır. Ayrıca bu çalışmada tahmin çalışmalarında kullanılan Otomatik Regresif Entegre Hareketli Ortalama (ARIMA) modeli ile de analiz yapılmış ve başarılı sonuçlar ortaya çıkmıştır. Derin öğrenme algoritmalarından LSTM ağları sıcaklığı, rüzgar hızını veya radyasyonu tahmin etmek için sıklıkla kullanılmaktadır. Sistem eğitildikten sonra R-kare skoru değeri 0.96 olarak bulunmuştur. Bu parametre değeri, gerçek hava sıcaklığı değerlerine çok yakın hava sıcaklığı tahmin değerleri elde edildiğini gösteren bir kriterdir. ARIMA ve LSTM modelimizin sağladığı tahminin doğruluğu hem uygun hem de tatmin edicidir. Bu yöntemlerle yapılan sıcaklık tahminlerinin iyi performans gösterdiği ve hava sıcaklığı tahmininde başarılı bir şekilde kullanılabileceği tespit edilmiştir.Öğe Multi-Class gastrointestinal images classification using EfficientNet-B0 CNN model(Institute of Electrical and Electronics Engineers Inc., 2022) Uçan, Murat; Kaya, Buket; Kaya, MehmetMany diseases and cancerous cells can be detected using images taken by gastroenterology specialists. Accurate and rapid detection of gastroenterological diseases is very important for the treatment processes to be applied and for the patient's recovery. In this study, a data set containing data from 8 different diseases (Esophagitis, Dyed and Lifted Polyps, Dyed Resection Margins, Cecum, Pylorus, Z-line, Polyps, Ulcerative colitis) was used. A deep learning network was trained using the EfficientNet architecture and the test results were given in the study. In addition, comparisons were made with other studies using the same data set and the same parameters in the literature. Studies have shown that gastrological images can be successfully classified with an accuracy of 0.935. Class-based classification results are also shared in detail for 8 diseases in the results section of the study. The results showed that the trained architecture would contribute to minimizing human error in disease detection.Öğe A novel convolutional neural network-based approach for brain tumor classification using magnetic resonance images(Wiley, 2023) Çınar, Necip; Kaya, Mehmet; Kaya, Buket; 0000-0002-5106-6240; 0000-0003-2995-8282; 0000-0001-9505-181XBrain tumor is a disease that seriously threatens human health and can often be treated with risky surgeries. Experts detect brain tumor with high resolution magnetic resonance (MR) images. However, the expected accuracy value could not be reached in the studies carried out so far. The aim of this study is to develop a new approach for detecting brain tumor types using MR images. In the proposed approach, it is designed a CNN-based neural network from scratch. The results of the method were compared with existing networks. The proposed approach detected glioma tumors with 99.64%, meningiomas tumor with 96.53%, pituitary tumors with 98.39% and an average of 98.32% accuracy. The developed CNN based model is also compared with deep CNN models such as ResNet50, VGG19, DensetNet121 and InceptionV3, which are operated by transfer learning method. The results show that the proposed approach outperforms other deep neural networks.
