Yazar "Üzen, Hüseyin" seçeneğine göre listele
Listeleniyor 1 - 5 / 5
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Automated Segmentation of Lung Lesions Using Deep Learning: A Study on a Multi-Class CT Dataset(Institute of Electrical and Electronics Engineers Inc., 2025) Kiliç, Murat; Yelman, Abdulkadir; Üzen, Hüseyin; Firat, Hüseyin; Biyikli, Merve; Balikçi Çyçek, Ipek; Şengür, AbdulkadirLung cancer is the leading cause of cancer-related deaths worldwide, making early diagnosis from CT images critically important for patient outcomes. In this study, a unique dataset was collected at Inönü University Turgut Özal Medical Center, consisting of 3526 CT slices from 210 patients manually annotated by expert physicians. The lesions, classified into benign, malignant, and cystic categories, were segmented using seven different deep learning architectures: U-Net, VGG16UNet, EFF-UNet, UNet++, FPNet, PSPNet, and EFF-PSPNet. The models were evaluated based on metrics such as Dice, Jaccard, precision, recall, and FPS. The most successful results were achieved by the EFF-UNet (Dice: 92.14%) and U-Net (Dice: 92.25%) models. While cystic lesions were detected with high accuracy, benign lesions presented the lowest results due to their morphological variability. Visual analyses indicated that some models exhibited uncertainty in class differentiation, and the quality of annotations was found to directly influence model performance. This study demonstrates the potential of deep learning-based segmentation for clinical decision support systems and contributes to the field with its original dataset. © 2025 IEEE.Öğe Bal Arı Hastalıklarının Sınıflandırılması için ConvMixer, VGG16 ve ResNet101 Tabanlı Topluluk Öğrenme Yaklaşımı(2024) Altın, Mustafa; Cıcek, Ipek Balıkcı; Üzen, HüseyinBal arıları birçok etkenden dolayı ekosistemin en önemli bileşenlerinden biridir. Fakat son zamanlarda artan varroa paraziti, iklim değişiklikleri ve böcek istilası gibi etkenlerden dolayı bal arıları tehdit altındadır. Bundan dolayı son zamanlarda gelişmiş yapay zekâ teknikleri ile arılarının analiz edilmesi oldukça önemli bir araştırma konusu olmuştur. Bu çalışmada arı hastalıklarının sınıflandırılması için Evrişimsel sinir ağ mimarileri tabanlı bir topluluk öğrenme yaklaşımı sunulmuştur. ConvMixer, VGG16 ve ResNet101 tabanlı topluluk öğrenme yaklaşımı (CVR-TÖY) olarak adlandırılan bu model temel olarak VGG16, ResNet101 ve ConvMixer sınıflandırıcılarının tahmin skorlarının birleştirmesine dayanmaktadır. Bu sayede farklı yaklaşım teknikleri ile geliştirilen VGG16, ResNet101 ve ConvMixer yapılarının tahmin çıktıları etkili bir şekilde birleştirilerek bal arı hastalık sınıflandırma performansı artırılmıştır. Tahmin skorları birleştirilirken iki yaklaşım denenmiştir. Birinci yaklaşımda modellerin tahmin çıktılarının en yüksek değeri alınarak sınıflandırma tahmini yapılmıştır. İkinci model ise ortalama değer alma yaklaşımıdır. Ortalama değer alma yaklaşımının ortak akıl modeli ile en iyi sonucu ürettiği görülmüştür. Deneysel çalışmalarda 6 farklı kovan probleminden etkilenen arı görüntülerini içeren BeeImage Dataset (BI) veri kümesi kullanılmıştır. Bu deneysel çalışmada önerilen modelden %98.87 F1-skoru elde edilmiştir. Ayrıca yapılan deneysel çalışmada önerilen model son teknolojik modeller ile karşılaştırılmıştır. Karşılaştırma sonucunda önerilen modelin F1-skoru %2.31 daha yüksek performans göstermiştir.Öğe Geleneksel ve derin öğrenme tabanlı nesne takip yöntemlerinin performans değerlendirmesi(İnönü Üniversitesi, 2018) Üzen, HüseyinNesne takibi bir video veya gerçek zamanlı kayıt ortamında hedef nesnenin merkez konumu ve boyutunun otomatik olarak elde edilmesidir. Gelişen teknoloji ile birlikte, farklı uygulama alanlarına yönelik nesne takip yöntemleri geliştirilmektedir. Ancak, literatürdeki bu yöntemlerin birtakım testler yardımıyla avantajları ve dezavantajlarının ortaya konulması gerekmektedir. Bu sayede, günümüz problemlerine uygun çözümler geliştirilebilecektir. Bu tez çalışmasında gerçekleştirilen kıyaslamalı testler ile güncel nesne takip yöntemleri değerlendirilmiştir. Ayrıca, destek vektör makinesi gibi geleneksel makine öğrenmesi yöntemlerinin yanında, günümüzde oldukça popüler olan derin öğrenme tabanlı yöntemler de ele alınmıştır. Yapılan tez çalışmasında öncelikle literatürdeki güncel yöntemler incelenmiştir. Daha sonra uygulamalı karşılaştırmalar yapmak üzere beş geleneksel ve beş derin öğrenme tabanlı olmak üzere on nesne takip yöntem seçilmiştir. Bu yöntemlerin avantaj ve dezavantajlarını ortaya koymak amacıyla birbirinden farklı birçok veri setinden videolar kullanılmıştır. Ayrıca, incelenen yöntemler tez çalışması sırasında oluşturulan özel veri seti ile test edilmiştir. Deneysel sonuçlar, üç ana başlık altında (genel, problem bazlı ve performans bazlı değerlendirme) detaylı bir şekilde incelenmiştir. Yapılan kıyaslamalı testler sonucunda derin öğrenme tabanlı yaklaşımların oldukça yüksek nesne takip performansı elde ettiği görülmüştür. Bunun yanında korelasyon filtresi kullanan yöntemler performans açısından günümüzde hala vazgeçilemeyen yöntemler arasında yer almaktadırlar. Ayrıca korelasyon filtresinin nesne tespitinde geleneksel ikili sınıflandırıcılara göre çok daha başarılı olduğu gözlemlenmiştir. Son olarak yapılan testlerde derin öğrenme tabanlı ADNet yönteminin sahip olduğu güçlü ağ mimarisi sayesinde gelecekteki birçok çalışmaya yön verebileceği sonucuna varılmıştır.Öğe İmalat sistemlerinde derin öğrenme tabanlı doku hata tespiti(İnönü Üniversitesi, 2022) Üzen, HüseyinSon zamanlarda bilgisayar yazılım ve donanım teknolojisindeki gelişmelerle birlikte nesnelerin interneti, nesne sınıflandırma, nesne tespiti ve örüntü tanıma gibi kavramlar günümüzde oldukça yaygınlaşmıştır. Bu kavramlarla geliştirilen sistemler tıp, kimya, mühendislik, tarım, güvenlik sistemleri ve coğrafi bilimleri gibi birçok alanda yenilik ve kolaylık sağlamıştır. Özellikle derin öğrenme tabanlı sistemler, birçok alanda yüksek performanslar sağlamıştır. Bu tez çalışmasında, güncel derin öğrenme sistemlerini imalat sistemlerinde uyarlamak ve imalat sistemlerinde otomatik doku hata tespiti için yeni yaklaşımlarının geliştirilmesine odaklanılmıştır. Genellikle, imalat sistemlerinde yüzey/doku hata tespiti, uzman personel tarafından manuel olarak yapılmaktadır. Manuel yapılan denetimlerin zaman ve doğruluk açısından olumsuz yönleri vardır. Bunun yanı sıra uzman personel gereksiniminden dolayı maliyetlidir. Buna kıyasla, yapay zekâ destekli otomatik hata tespit sistemleri performans ve güvenirlik açısından daha başarılı sonuçlar üretebilmektedir. Bu başarılı sonuçlar sayesinde manuel denetimlerden kaynaklanan maddi kayıplar önlenebilmekte ve üretim alanında güçlü kazançlar sağlanabilmektedir. Bu bağlamda bu tez çalışmasında otomatik hata tespiti için derin öğrenme tabanlı etkili ve yeni modeller önerilmiştir. Bu modeller aşağıda sıralanmıştır: • Hata tespiti için zenginleştirilmiş öznitelik piramit ağ mimarisi, • Önemli özellikleri güçlendirmek için Derinlemesine Sıkma ve Uyarlama Bloğu (DSUB) ve DSUB tabanlı Efficient-Unet mimarisi, • Derin öğrenmede çok boyutlu mekânsal, spektral ve anlamsal öznitelikler çıkarmak için yeni bir yaklaşım, • Son zamanlarda oldukça popüler olan görüntü tabanlı dönüştürücüleri yüzey hata tespitine uyarlamak için geliştirilen Melez Dikkat Kapısı, • Swin dönüştürücü tabanlı yeni bir kodlayıcı ve kod çözücü ağ mimarisi, • Kumaş hatalarının sınıflandırılması için Derin Sinir Ağına, Çoklu Havuzlama ve Filtrelemeye dayalı yeni bir yaklaşım Önerilen bu özgün yöntemlerin başarısını analiz etmek için literatürde var olan ve güncel veri kümleri kullanılmıştır. Deneysel çalışmalarda, önerilen yöntemler güncel modeller ile karşılaştırılmıştır. Yapılan kapsamlı deneysel çalışmalardaki sonuçlara göre, hata tespiti için geliştirilen yöntemlerin etkili olduğu gözlemlenmiştir.Öğe MorphMaskFormer: a transformer-based deep segmentation model for multi-class Demirjian stage estimation from panoramic radiographs(Elsevier Inc., 2026) Kıranşal, Melike; Özçelik, Salih Talha Alperen; Aydan, Tuba; Üzen, Hüseyin; Fırat, Hüseyin; Şengür, Abdulkadir; Abdelkarim, Ahmed Z.Objectives This study aims to develop an advanced deep learning model that automatically determines third-molar developmental stages in panoramic radiographs using the Demirjian classification, improving the accuracy and objectivity of dental age estimation for forensic and clinical applications. Study Design A total of 888 panoramic radiographs from individuals aged 7 to 30 were annotated by 2 experts based on Demirjian’s A–H staging system. The proposed model, MorphMaskFormer , is built upon the classical UNet architecture, incorporating a lightweight transformer attention module inspired by Mask2Former. The model performs both binary (tooth/background) and multi-class (A–H stages) segmentation. Its performance was evaluated using IoU, Dice coefficient, Precision, Recall, and inference time, and compared against UNet, ResUNet, DeepLabV3+, PSPNet, and SegNet. Results MorphMaskFormer outperformed all baseline models, achieving a Dice score of 0.9461, IoU of 0.8985, and the fastest inference time at 78.59 ms. In multi-class segmentation, it showed high accuracy for stages A, D, and H, with an overall component accuracy of 72.41%. Conclusions MorphMaskFormer enables precise pixel-level segmentation of dental developmental stages, reducing inter-observer variability and shortening evaluation time. Its high accuracy and efficiency make it a scalable tool that enhances diagnostic confidence and supports critical clinical and forensic age-estimation decisions. © 2026 Elsevier Inc.
