Yazar "Yelman, Abdulkadir" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim
    Öğe
    Akıllı şebekelerde elektrikli araç şarj istasyonlarının blokzincir destekli yönetimi
    (İnönü Üniversitesi, 2022) Yelman, Abdulkadir
    Günümüzde akıllı şebekelerin önemi gittikçe artmaktadır. Akıllı şebekeler geleneksel şebekelerden farklı olarak uzaktan izleme, uzaktan arıza tespiti ve müdahale, yenilenebilir enerjilerin şebekeye daha aktif dahil olmaları gibi özelliklere sahiptir. Tüm bunlar yapılırken verilerin güvenliğinin sağlanması ve doğru bilgiye erişimin şeffaf bir şekilde olması beklenmektedir. Bu verilerin güvenliği günümüzün en popüler teknolojilerinden olan blokzincir teknolojisiyle sağlanabilir. Blokzincir teknolojisi sadece verilerin güvenliğini sağlamakla kalmaz bir merkeze bağlı kalmadan özerk bir çalışma alanı da sunar. Kişiden kişiye enerji ticareti, mikro şebekelerin kendi arasında enerji alışverişi gibi uygulamalardan söz edilebilir. Tüm bunlarla beraber artık yeni bir konu olarak elektrikli araçlar son zamanda adından çok fazla söz ettirmeye başlamıştır. Artan petrol fiyatları, sera gazı etkisi, iklim anlaşmaları gibi etkenler elektrikli araçlara olan dönüşün hızlanmasına sebebiyet vermektedir. Elektrikli araçlardan söz ederken en büyük ihtiyacın şarj istasyonları olması ve bu şarj istasyonlarının gerekli enerjiyi en uygun fiyata yenilenebilir enerji kaynaklarından üreterek kullanmaları olması beklenmektedir. Bu tez çalışmasında yenilenebilir enerji kaynaklı şebekeye bağımlı elektrikli araç şarj istasyonu özelinde web tabanlı bir uygulama simülasyonu geliştirilmiştir. Bu uygulamada sisteme kayıt olan yenilenebilir enerji kaynaklı üretim yapan ve şebekeye bağımlı (hibrit) bir şarj istasyonun ürettiği enerjiyi depolamadan son kullanıcıya ulaştırması hedeflenmiştir. Sisteme kayıtlı ve belirtilen lokasyon aralığında bulunan araçlara uygun fiyatlı enerji sağlanması planlanmıştır. Araçların şarj geçmişleri blokzincire kaydedilmiş şeffaf ve doğru bilgi sunulmaya çalışılmıştır.Uygulama web tabanlı, phyton dili ile yazılmış ve django web çatısı kullanılmıştır. Yapılan tez çalışmasının sonucunda web tabanlı ve blokzincir destekli bir simülasyon ortamı oluşturulmuş ve senaryolar üstünde uygulaması gösterilmiştir. Anahtar Kelimeler: Blokzincir, Akıllı Şebekeler, Yenilenebilir Enerji Kaynakları, Elektrikli Araçlar, Şarj İstasyonları
  • Küçük Resim Yok
    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, Abdulkadir
    Lung 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.
  • Küçük Resim Yok
    Öğe
    Grad-CAM Enhanced Explainable Deep Learning for Multi-Class Lung Cancer Classification Using DE-SAMNet Model
    (Mdpi, 2026) Kilic, Murat; Biyikli, Merve; Yelman, Abdulkadir; Firat, Huseyin; Uzen, Huseyin; Cicek, Ipek Balikci; Sengur, Abdulkadir
    Background/Objectives: Lung cancer (LC) is the leading cause of cancer-related mortality worldwide, making early and accurate diagnosis crucial for improving patient outcomes. Although chest computed tomography (CT) enables detailed assessment of lung abnormalities, manual interpretation is time-consuming, requires expert expertise, and is prone to diagnostic variability. To address these challenges, this study proposes DE-SAMNet, a hybrid deep learning framework for automated multi-class LC classification from CT scans. Methods: The model integrates two pre-trained convolutional neural networks-DenseNet121 and EfficientNetB0-operating in parallel to extract complementary multi-scale features. A Spatial Attention Module (SAM) is applied to each feature stream to emphasize clinically important regions. Final classification is performed through a compact fusion mechanism involving global average pooling, batch normalization, and a fully connected layer. DE-SAMNet was evaluated on two datasets: a public dataset (IQ-OTH/NCCD) with benign, malignant, and normal cases, and a private clinical dataset including benign, malignant, cystic, and healthy cases. Results: On the public dataset, the model achieved a 99.00% F1-score, 98.41% recall, 99.64% precision, and 99.54% accuracy. On the private dataset, it obtained 95.96% accuracy, 95.99% precision, 96.04% F1-score, and 96.21% recall, outperforming existing approaches. To enhance reliability, explainable AI (XAI) techniques such as Grad-CAM were used to visualize the model's decision rationale. The resulting heatmaps effectively highlight lesion-specific regions, offering transparency and supporting clinical interpretability. Conclusions: This explainability strengthens trust in automated predictions and demonstrates the clinical potential of the proposed system. Overall, DE-SAMNet delivers a highly accurate and interpretable solution for early LC detection.