Yazar "Erçelik, Çetin" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim Yok
    Öğe
    Beyin MR görüntülerindeki tümörlerin sınıflandırılmasında farklı derin öğrenme ve görüntü işleme yöntemlerinin performanslarının incelenmesi
    (İnönü Üniversitesi, 2024) Erçelik, Çetin; Hanbay, Kazım
    Beyin tümörü, kafatası içindeki hücrelerin yenilenmesi sırasında meydana gelen kopyalama hataları nedeniyle oluşan anormal kitle büyümesini ifade eder. Maalesef, beyin tümörleri nedeniyle kaybedilen insan sayısı her geçen gün artmaktadır. Bu trajik kayıpları azaltmak için hastalığın tedavi planlaması ve sonuç değerlendirmesinde erken teşhis hayati bir rol oynamaktadır. Beyin tümörlerini teşhis etmek için en yaygın kullanılan yöntemlerden biri manyetik rezonans (MR) görüntüleme yöntemidir. Ancak, beyin yapısının ve iç dokularının karmaşıklığı nedeniyle geleneksel yöntemlerle MR görüntülerini kullanarak beyin tümörlerini sınıflandırmak zorlu bir görevdir. Son yıllarda, derin öğrenme mimarileri beyin tümörü sınıflandırmasında popülerlik kazanmış ve yüksek doğruluk oranları elde etmiştir. Bu çalışma, VGG16, VGG19 ve MobileNet gibi farklı derin öğrenme mimarilerini karşılaştırarak en yüksek doğruluk oranına sahip olanın belirlenmesini amaçlamaktadır. Bu mimarilerin başarısını artırmak için görüntülere histogram eşitleme, Gauss filtreleme gibi görüntü işleme yöntemleri uygulanmıştır. Kullanılan iki farklı dataset üç farklı beyin tümörü sınıfını (glioma, meningioma, pituitary) ve tümörsüz görüntüleri içeren MR görüntülerinden oluşmaktadır. Geliştirilen yöntemler güncel derin öğrenme teknikleri ve farklı performans metrikleri kullanılarak karşılaştırılmıştır. Deneysel sonuçlar, geliştirilen yöntemlerin etkin sonuçlar elde ettiğini göstermektedir.
  • Küçük Resim Yok
    Öğe
    Panoramic Dental Segmentation with a Novel Approach Based on MONAI U-Net and Sliding Window Inference
    (Institute of Electrical and Electronics Engineers Inc., 2025) Erçelik, Çetin; Hanbay, Kazim
    Tooth segmentation plays a vital role in dental diagnosis and treatment planning. Accurate delineation of dental structures from imaging modalities such as panoramic radiographs forms the foundation for various clinical applications, including orthodontic assessment, implant planning, and disease diagnosis. However, this task is considered complex due to challenges such as image noise, low contrast, overlapping anatomical structures, and missing teeth. As a result, traditional image processing techniques often fall short, giving rise to the prominence of deep learning-based segmentation methods. In this study, four distinct deep learning architectures were evaluated to enhance the performance of dental segmentation in panoramic radiographs: SegNet, U-Net, MONAI U-Net, and the proposed MONAI U-Net with Sliding Window Inference (SWI). Notably, while SWI is commonly employed during validation and testing stages in the literature, it was integrated into the training phase in this study. This modification enabled the model to process smaller patches instead of the full image, thereby preserving fine-grained details and improving segmentation accuracy. Experimental results demonstrated that the proposed MONAI U-Net + SWI model outperformed the other models in both Intersection over Union (IoU) and Dice coefficient metrics. These findings suggest that the proposed approach offers a reliable solution for clinically sensitive tasks such as dental segmentation. © 2025 IEEE.
  • Küçük Resim Yok
    Öğe
    Ship Detection in SAR Images Using CLAHE-Enhanced YOLOv8x
    (Institute of Electrical and Electronics Engineers Inc., 2025) Erçelik, Çetin; Hanbay, Kazim; Özbek, Hasan Can
    Detection of ships in Synthetic Aperture Radar (SAR) imagery remains a challenging research problem due to complex background structures, low contrast, and speckle noise. In this study, an effective object detection system is proposed by integrating CLAHE (Contrast Limited Adaptive Histogram Equalization)-based preprocessing with the YOLOv8x deep learning architecture to accurately detect both small and large ships in SAR images. The CLAHE algorithm enhances local contrast and reduces noise and distortions in the images, enabling the network to learn more effectively. Subsequently, the YOLOv8x model is trained on these enhanced images. The experimental evaluation on a custom dataset derived from high-resolution Sentinel-1 SAR imagery reveals that the proposed model outperforms both YOLOv8x and YOLOv8n, achieving 62.42% mAP 50,73.83% precision, and 49.66% recall. Visual outputs further confirm that the proposed model significantly improves the detection of small ships. These findings indicate that the CLAHE+YOLOv8x architecture offers an effective and practical approach for ship detection in SAR imagery. © 2025 IEEE.