Theses supervised by Prof. Dr. Abdulkadir Şengür
20 theses · Fırat University
Elektroensefalografi ve çok girişli evrişimsel sinir ağları ile otizm spektrum bozukluklarının tespitinin araştırılması
Otizm spektrum bozukluğu (OSB), erken çocukluk döneminde başlayan, sosyal iletişim ve etkileşimde eksiklikler, sınırlı ve tekrarlayan davranış ve ilgi kalıplarının varlığıyla karakterize edilen nörogelişimsel bir bozukluk olarak tanımlanmaktadır. Elektroensefalografi (EEG) ve çok girişli evrişimsel sinir ağları (ESA) kullanılarak otizm spektrum bozukluklarının (OSB) tespiti, son yıllarda nörobilim ve yapay zeka alanlarında önemli bir araştırma konusu haline gelmiştir. EEG, beynin elektriksel aktivitesini ölçerek nörolojik durumların analiz edilmesine olanak tanırken, ESA'lar karmaşık veri setlerinden anlamlı özellikler çıkarma yetenekleriyle dikkat çekmektedir. Bu yöntemlerin bir araya getirilmesi, OSB'nin erken teşhisi ve bireyselleştirilmiş tedavi yaklaşımlarının geliştirilmesi açısından umut vaat etmektedir. Bu çalışmada, çok girişli bir boyutlu Evrişimsel Sinir Ağı (ESA) modeli kullanarak EEG tabanlı yeni bir yaklaşım ortaya konmuştur. Çalışmada, 9'u normal 20'si OSB tanısı konmuş toplam 29 çocuğa ait veriler kullanılarak gerçekleştirilmiştir. Bu veri seti, King Abdulaziz Üniversitesi Hastanesi açık erişimli veri kaynaklarından elde edilmiştir. Deneysel çalışmalarda farklı EEG kanal kombinasyonları test edilmiş ve %80,36 ile %89,06 arasında değişen doğruluk değerleri elde edilmiştir. En yüksek doğruluk oranı olan %89,06, FZ, T3, C3, C4, CZ, PZ ve OZ kanallarının sisteme giriş olarak verildiği durumda elde edilmiştir. Bu kanallar, burun hizasından ense kemiğine uzanan orta hat üzerindeki ve kulaklar arasında başın üst kısmında yer alan elektrotlara karşılık gelmektedir.
MR görüntüleri ile beyin tümörünün yeni bir derin öğrenme tabanlı yaklaşımla sınıflandırılması
Beyin tümörlerinin doğru ve hızlı teşhisi, hastaların yaşam kalitesini artırmak ve tedavi süreçlerini iyileştirmek için kritik bir öneme sahiptir. Ancak, MR görüntülerinin doktorlar tarafından manuel olarak incelenmesi, zaman alıcı ve hata payını artıran bir süreçtir. Bu çalışma, yapay zeka tabanlı bir derin öğrenme modeli geliştirerek beyin tümörlerini otomatik olarak sınıflandırmayı amaçlamaktadır.Çalışma kapsamında, açık erişimli platformlardan temin edilen MR görüntülerinden oluşan bir veri seti kullanılmış ve bu veri seti ön işleme teknikleriyle optimize edilmiştir. Bu veri seti, önerilen modelin eğitim, doğrulama ve test gruplarına ayrılarak çalışmaya entegre edilmiştir. Model, evrişimsel sinir ağı (CNN) yapısını temel almakta ve öznitelik seçimi için L1-Norm Destek Vektör Makineleri (DVM) ReliefF algoritmasını kullanmaktadır. Bu sayede hem hesaplama maliyetleri azaltılmış hem de sınıflandırma doğruluğu artırılmıştır.Model performansı, doğruluk, hassasiyet, özgüllük, F1 skoru ve ROC eğrisi gibi çeşitli ölçütlerle değerlendirilmiştir. Özellikle glioblastoma multiforme tümörünün sınıflandırılmasında %95 doğruluk oranına ulaşan bu model, mevcut yaklaşımlara kıyasla anlamlı bir gelişme sağlamıştır. Elde edilen sonuçlar, geliştirilen modelin sağlık sektöründe otomatik karar destek sistemleri üretmek için önemli bir katkı sunduğunu göstermektedir.
Derin öğrenme ve ses tabanlı duygu tanıma
Duygu, bireyin ruh halinde içsel ve çevresel faktörlerin etkileşiminden doğan kompleks psikofizyolojik bir değişimdir. Duygular, insanların dış dünyayla olan etkileşimlerinde, aldığı kararlarda ve eylemlerinde önemli bir rol oynar. Dolayısıyla duygu tanıma ve yorumlama özellikle insan bilgisayar etkileşimi için önemlidir ve bilgisayarları mantıksal işlem yapan makinelerin ötesine taşımaktadır. Duyguların tespit edilmesinde görsel, işitsel, dokunsal ve diğer biyometrik sinyaller kullanılmaktadır. Bu sinyaller arasında insanlar arasındaki iletişimin en yaygın aracı olan konuşma önemli bir yere sahiptir. Bu durum konuşma tabanlı duygu tanıma uygulamalarının, giderek artan bir ilgiyle ilerletilen bir araştırma alanı olmasına imkân tanımıştır. Bu tez çalışmasında ses işleme tabanlı duygu tanıma uygulaması gerçekleştirilmiştir. SAVEE, RML ve RAVDESS olmak üzere 3 farklı veri seti kullanılmıştır. Mevcut ses dosyalarına ön işlem ve özellik çıkarımı uygulandıktan sonra Uzun- Kısa Süreli Bellek Ağları ile sınıflandırılmıştır. Sistemin duygu tanıma doğruluk oranları SAVEE veri seti için %72,13 RML veri seti için %70,35, RAVDESS veri için %68,8 olarak bulunmuştur
Görüntü manipülasyonlarının derin öğrenme yaklaşımı ile belirlenmesi
Makine öğrenmesinin popüler bir alt dalı olan derin öğrenme yaklaşımları, günden güne artan bir ilgiyle birçok alanda kullanılmaktadır. Derin öğrenme yaklaşımları; görüntü işleme, nesne tanıma, sinyal işleme gibi birçok alanda oldukça başarılı bir şekilde kullanılmaktadır. Benzer şekilde; insansız hava araçları, bilgisayarlı görüntüleme, akıllı telefon gibi alanlarda da etkili bir şekilde kullanılmaktadır. Günümüzde bu teknolojilerin çok çeşitli uygulamaları mevcuttur. Ancak bu uygulamalardan bazıları tehdit veya tehlike arz etmektedir. Bu tez çalışmasında, görüntü manipülasyonlarını tespitinde derin öğrenme tabanlı yöntemlerden olan Evrişimsel Sinir Ağları (ESA)'nın farklı mimarileri kullanılarak sınıflandırma problemi çözülmeye çalışılmıştır. Özellikle, görüntü manipülasyonları türlerinden olan ve son yıllarda kullanımı yaygınlaşan yüz manipülasyonu (deepfake) tespiti üzerinde durulmuştur. Bu kapsamda yeni bir deepfake veri seti oluşturulmuştur. Önerilen yöntemlerde, genel olarak derin öznitelik çıkarımı tabanlı kullanılmıştır. Görüntü manipülasyonlarının tespiti amacıyla farklı derin öğrenme mimarileri kullanılmıştır. Önceden eğitilmiş bazı derin öğrenme mimarileri görüntülerin sınıflandırılması probleminde kullanılmıştır. Ayrıca yeni bir derin öğrenme mimarisi görüntü manipülasyonlarının tespiti için sunulmuştur. Önerilen yöntemler, aynı veri setlerini kullanan mevcut yöntemlere göre daha iyi bir doğruluk performansı sergilemiştir.
Medikal veri setleri için yeni bir aşırı öğrenme makinesi otomatik kodlayıcı tasarımı
Son zamanlarda derin öğrenme mimarilerinde görülen yüksek sınıflama ve tahmin başarımı bu alana ilgiyi artırmıştır. Bilgisayar destekli sistemlerin medikal alanlarda yaygınlaşması hastalık tanısında önem arz etmiş ancak veri miktarı sıkıntısı ön plana çıkmıştır. Hastalık sınıflarını oluşturmak için toplanan veri setlerinin yeterli veri miktarına sahip olmaması ya da dengesiz sınıf dağılımlarına sahip olması kullanılan derin mimarilerin performansı açısından sorun olabilmektedir. Ancak istenen veri seti boyutunu artırma durumu çoğu zaman maliyet, zaman alıcı olması, coğrafi koşullar, ilgili uzmanın veya kullanılacak araç-gerecin bulunamaması, hasta mahremiyeti ve bazı hastalıkların nadir oluşu durumlarıyla mümkün olamamaktadır. Veri çoğullama yaklaşımları bu noktada devreye girmiştir. Bu tez çalışmasında, AÖM-D-OK olarak adlandırılan Dalgacık fonksiyonlu Aşırı Öğrenme Makinası Oto Kodlayıcı tabanlı bir veri artırma yöntemi önerilmektedir. Önerilen yöntem duygu tanıma amacıyla EEG sinyallerinden oluşan GAMEEMO veri seti, otizm spektrum bozukluğu tanısı amacıyla EEG sinyallerinden oluşan veri seti, şizofreni tanısı amacıyla EEG veri seti, akciğer hastalıklarını tespit amacıyla akciğer ses dosyalarından oluşan ICBHI solunum sesi veri seti ve akciğer kanser tespiti yapmak için akciğer bilgisayarlı tomografi görüntülerinden oluşan Chest-CT Scan veri seti üzerinde ayrı çalışmalar kapsamında test edilmiştir. Test edilen yöntem, çalışma içerisinde kullanılan orijinal veri seti, bu veri setlerinin çoğullanmış durumları ve diğer yakın tarihli çalışmalarla kıyaslanmıştır. Karşılaştırmalar, önerilen yöntemin karşılaştırılan yöntemlerden daha iyi performans sergilediğini göstermektedir.
Kinect derinlik imgelerinden el hareketi tanıma
Bu çalışmada derinlik imgelerine dayalı bir el hareketleri sınıflandırma yöntemi önerilmiştir. Yöntem; eşikleme, öznitelik çıkarma, öznitelik seçme ve sınıflandırma aşamalarından oluşmaktadır. Derinlik imgelerinden elin bölütlenmesi için aralık eşikleme, öznitelik çıkarımı için eğrilik ölçek uzayı, öznitelik indirgeme için sıralı öznitelik seçme ve sınıflandırma için de K-En Yakın Komşu yöntemi kullanılmıştır. Önerilen yöntemin başarım değerlendirmesi için 1000 örnekten oluşan bir veri seti kullanılmıştır. Deneysel çalışmalar önerilen yöntemin 0'dan 9'a kadar olan el işaretlerini %98,33'lük bir doğrulukla sınıflandırabildiğini göstermiştir. Bu oran karşılaştırılan yöntemden %4 civarında daha iyidir.
Local receptive fields based extreme learning machine for face recognition
In the recent years, many face recognition methods were developed and applied in the image processing applications, such as artificial neural networks (ANN), convolutional neuron network (CNN), Gaussian mixtures and so on. However, each of them is suffering from some issues like the local minima, intensive human intervention rate, and slow convergence. CNN generally uses the back propagation (BP) learning procedure, which has very long training periods. In addition, back-propagation generally tends to reach a local minimum. While each of the above methods needs many iterations to reduce the error rate in the training section, we apply extreme learning machine, which it runs throw pooling map with Local receptive fields, in this case, the proposed method can get the result just in one iteration. In addition, ELM proposed to alleviate these drawbacks of the back-propagation method. The Extensive experiments were conducted on three face datasets namely Caltech, UFI, and CBCL. The obtained results are encouraging and compared with several other results previously reported. Testing accuracy in Caltech face dataset is 98.15%, also in the CBCL dataset is 98.34% and in UFI face dataset is 66.11%. Based on the above result the extreme learning machine based on local receptive fields can have more advantage among previous methods used for face recognition.
Nötrozofik mantığın görüntü bölütleme ve örüntü tanıma alanlarındaki yeni uygulamaları
Latince'den tarafsız anlamında "neuter" ve Yunanca'dan beceri/bilgelik anlamında "sophia" kelimelerinden oluşan "Neutrosophy" Nötrozofi, 1980 yılında Smarandache tarafından tanıtılmıştır. Nötrozofi, felsefenin, mantığın, küme teorisinin, olasılık ve istatistik bilgisinin bir araya getirildiği bir felsefe dalıdır. bir varlık ya da olay olarak tanımlansın; bu durumda , olmayanlar ve ise 'nın tersidir. Nötrozofi, belirsizliği temsil eden adlı yeni bir kavram sunmaktadır. Ayrıca , ne ne de olarak tanımlanamaz. Nötrozofi, t'nin doğru, i'nin belirsiz ve f'nin yanlış olduğu önermesine dayanan bulanık mantığın bir genelleştirilmesidir. t, i ve f; T, I ve F aralıklarından gerçek değerlerdir ve bunlar üzerinde hiçbir kısıtlama yoktur. Nötrozofi, belirsizlik bilgisine sahip olduğundan bulanık mantık ile çözülemeyen birçok problem nötrozofik mantık ile çözülebilmektedir. Bu tez çalışmasında nötrozofik mantık kullanarak görüntü bölütleme ve örüntü tanıma alanlarında yeni yöntemlerin eklenmesi ve var olanların geliştirilmesi amaçlanmıştır. Önerilen algoritmalar ve yöntemler aşağıda belirtilmiştir: • Gürültü ve aykırı veriye sahip veri kümelerinin kümelenmesi için Çekirdek Nötrozofik C-Ortalamalar (ÇNCO) kümeleme yöntemi, • Dengesiz veri kümelerinin sınıflandırılması için yeni bir Nötrozofik Ağırlıklandırılmış Aşırı Öğrenme Makinesi (NAAÖM) yöntemi, • Nötrozofik Küme tabanlı k-En Yakın Komşuluk (NK-k-EYK) sınıflandırıcısı, • Etkili bir görüntü bölütleme algoritması için Nötrozofik Çizge Kesim (NÇK) önerilmiştir. Önerilen bu algoritma ve yöntemlerin başarımını değerlendirmek amacıyla gerçek veri kümeleri, yapay veri kümeleri ve çeşitli görüntüler üzerinde deneysel çalışmalar yapılmıştır. Deneysel çalışmalar, önerilen yöntemlerin gürültü ve aykırı veri noktaları gibi belirsizlik içeren veri kümeleri ve görüntüler üzerinde dayanıklı ve etkin bir yapıya sahip olduğunu göstermektedir. Bu tez çalışması, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK), Bilim İnsanı Destekleme Daire Başkanlığı (BİDEB), 2214/A Doktora Sırası Araştırma Burs Programı kapsamında desteklenmiştir.
Vehicle identifier recognition system using automatic license and number plate recognition
This thesis is concerned with the field of recognition. A system for automated license plate recognition (LNPR) is proposed. The NPR (Number Plate Recognition) used is a system designed to help with the recognition of the number plates of vehicles. This system is designed for the purpose of the security system. This system is based on the image processing system. This system helps in functions such as the detection of the number plates of the vehicles, processing them and using the processed data for further processes such as storing, allowing vehicles to pass or to reject vehicles. NPR is an image processing technology, which uses the number (license) plate to identify the vehicle. The objective is to design an efficient automatic authorized vehicle identification system by using the vehicle number plate. The optical character recognition technique is used for the character recognition. The resulting data is then used to compare with the records in a database. The system is implemented and simulated in MATLAB, and its performance is tested on real images. It is observed from the experiment that the developed system successfully detects and recognizes the vehicle number plate on real images. The system is able to automatically detect and recognize the license plate number of vehicles passing through a certain location using image processing techniques. The proposed system does not require any additional configuration such as GPS or radio frequency identification (RFID). The system forwards images of passing vehicles to a computer where they are processed and identified. Different algorithms are incorporated in the proposed system such as localization, orientation, normalization, segmentation and optical character recognition (OCR). Afterwards the resulting data are compared against records in a stored database GUI that has been used with MATLAB Implantation and connected with database and SQL statements in order to store the required records and information or get data into the MATLAB workspace.
Konuşma olmayan sinyallerin evrişimsel sinir ağları tabanlı yaklaşımlar ile sınıflandırılması
Makine öğrenmesi algoritmalarının gelişmesi ile birlikte her geçen sene değişik türdeki verilerin otomatik sınıflandırılması ve tanınması üzerine olan ilgi artmıştır. Bu ilgi alanları arasında yer alan konuşma olmayan sesler ve biyomedikal işaretlerin, arka plan sesi ve gürültüden dolayı sınıflandırılması zordur. Literatürde, bu tür sınıflandırma problemleri genellikle, akustik öznitelikler ve geleneksel sınıflandırma algoritmaları kullanan yöntemler ile aşılmaya çalışılmıştır. Bu çalışmada, konuşma olmayan seslerin ve biyomedikal işaretlerin sınıflandırma problemi, son zamanlarda popüler hale gelen ve derin öğrenmenin alt alanı olan Evrişimsel Sinir Ağları (ESA) temelli yaklaşımlar ile çözülmeye çalışılmıştır. Bu kapsamda akciğer sesleri, kalp sesleri, EMG sinyalleri ve çevresel sesleri içeren kullanıma açık veri setleri üzerinde deneysel çalışmalar yapılmıştır. Önerilen yöntemlerde, genel olarak derin öznitelikler tabanlı ve transfer öğrenme tabanlı yaklaşımlarla çalışmalar yapılmıştır. Derin öznitelikler tabanlı yaklaşımın, transfer öğrenme tabanlı yaklaşıma ve aynı veri setini kullanan diğer geleneksel yöntemlere göre daha iyi bir sınıflandırma performansı verdiği görülmüştür. Ayrıca tezin son bölümünde, derin öznitelikler çıkarmak için büyük görüntü verileriyle eğitilmiş ESA modelleri kullanmak yerine çevresel sesler ile eğitilmiş olan ve mimarisi kullanıcı tarafından ayarlanabilen bir ESA modeli önerilmiştir. Bu modelin çevresel sesleri sınıflandırmada, hem önceden eğitilmiş ESA modelleriyle derin öznitelik çıkarma yaklaşımına hem de aynı veri setini kullanan diğer yöntemlere göre daha iyi sınıflandırma performansı verdiği görülmüştür.
Göğüs ultrason görüntülerinde benek gürültülerin giderilmesi
Ultrason görüntülerinin çözünürlüğünü ve kontrastını düşüren en önemli faktör benek gürültüsüdür. Benek gürültü tıbbi ultrason görüntüleme sisteminde rasgele dalgalanma ile meydana gelir. Benek gürültü özellikle yumuşak doku organlarında meydana gelir. Düzgün yansıyan ve kısmen saçılan ses demetleri ultrason görüntüsünün alışılmış grenli yapısını oluşturur. Ancak bu durum kontrastı ve görüntü netliğini azaltır. Görüntü kalitesinin düşmesinden dolayı tanılama işleminde zorluklar yaşanır. Günümüzde ultrason görüntülerinde ki benek gürültüsünün giderilmesi için kullanılan yöntemler dört ana başlık altında toplanır. Bunlar sırası ile filtre tabanlı yöntemler, dalgacık dönüşümü tabanlı yöntemler, bölge büyütme yöntemleri ve model tabanlı yöntemlerdir. Bu tez çalışmasında, benek gürültüsünün azaltılması için bulanık küme teorisine dayanan maksimum entropi ilkesi, dokusal analiz teknolojisi ve homojenlik ölçütü kullanılarak yeni bir yaklaşım ele alınmıştır. İncelenen yöntemin başarımını test etmek için çok sayıda klinik meme ultrason görüntüleri kullanılmıştır. Deneysel sonuçlar çeşitli kriterleri kullanılarak değerlendirilmiştir. Elde edilen sonuçlar, önerilen yöntemin kenar ve doku bilgilerini koruyarak etkili bir şekilde benek gürültüsünü azaltabildiğini göstermiştir. Anahtar Kelimeler: Benek Azaltma, Homojenlik, Ultrason görüntüsü, Model Tabanlı Yöntem
Homomorfik filtreleme ile ince bulut temizlenme
Thin cloud is opaque, and a photo of the area covered by thin cloud contains the components of the troposphere (thin cloud effect) and the ground reflection of the image. Using Homomorphic Filtering (HF) to remove thin cloud is a popular method occupation as the terrestrial is simply contaminated by the noisy effect which is usually randomly occurring. This research presents an attempt to explain how an HF will be used for thin cloud removal for satellite remote imagery. This is realized by considering the images taken for a ground object as low-frequency components and then attempt to find the best high-pass frequency for them. Here, optimal cut-off frequencies are determined on a semi-automatic maneuver and optimality is tested based on the best tuning for removing the effect of thin cloud on a ground scene. The proposed method has been implemented in MATLAB environment and tested on various images from different locations in order to proof its validity. The results prove that adequate and viable thin cloud removal is achieved and noticeable clear remote sensing images are obtained.
Morris su labirenti analizinin video işleme ile gerçekleştirilmesi
Morris Su Labirenti (MSL) laboratuvar farelerinde ve sıçanlarda mekânsal öğrenmeyi ve hafızayı araştırmak için kullanılan bir davranış testidir. Morris (1981, 1984) tarafından yaklaşık olarak 35 yıl önce bulunan bu testte su ile dolu geniş bir tank ve tankın içinde bir platform bulunmaktadır. Bu platformun yeri çalışma boyunca sabit kalmaktadır. Çünkü MSL tankında platformun yerini gösteren herhangi bir işaret bulunmadığı için fare veya sıçanların konum bulma kabiliyetleri bu hayvanların labirent içindeki hareketlerine bağlı olmaktadır. Denemeler süresince hayvanlar görünür ya da saklı yerleştirilen platformu bularak sudan kaçmayı öğrenirler. MSL testindeki performans; dikkat, öğrenme, hafıza ve motor koordinasyonu gibi çeşitli faktörlere bağlıdır. Üstelik tank özellikleri, eğitim prosedürleri, suyun özellikleri (sıcaklık, saflık, vb.) cinsiyet, deney hayvanlarının ırkı, beslenme durumu ve daha birçok değişken MSL'deki performansı etkilemektedir. Araştırmacı tarafından yapılacak olan doğrudan bir analiz birçok davranışsal bilgi kaybına neden olacağından deney sırasında hayvan performansı bir kamera aracılığıyla kayıt altına alınır. Bu tez çalışmasında, video analizi ile MSL testi gerçekleştirilmiştir. İlgili deneysel çalışmalar MATLAB'da gerçekleştirilmiştir. Analizin ilk aşaması olarak labirentin yeri bir eşikleme algoritması ile belirlenir. Labirentin yerini bulduktan sonra ilgi bölgeleri (İB) tanımlanır. Bir sonraki adımda fare labirent içinde bölütlenerek her bir video çerçevesi için farenin yeri tespit edilir. Farenin davranışlarını daha iyi analiz edebilmek için labirent dört bölüme ayrılır. Farenin her bir bölümde geçirdiği süre kayıt altına alınarak yörüngesi çizilir. Kullanılan örnek video kaydı ile ilgili bilgisayar ortamında şimdiye kadar yapılan çalışmalarda istenilen ve beklenen sonuçlara ulaşılmıştır.
Kayısı yapraklarının evrişimsel sinir ağları kullanılarak sınıflandırılması
Bitkilerin insan hayatındaki önemi büyüktür. Bitkiler, besin sektörü, endüstri ve medikal gibi birçok alanda kullanılmaktadır. Dünya üzerinde 310.000 – 450.000 arasında bitki çeşidinin varlığı bilinmektedir. Her geçen gün bilinmeyen yeni türler de ortaya çıkmaktadır. Günümüzde bitki taksonomisi daha çok geleneksel yöntemler ile yapılmaktadır. Uygun, pratik ve otomatik bir bitki tanıma sisteminin oluşturulması bitkilerin sınıflandırılması, anlaşılması ve yönetilebilmesi açısından oldukça kullanışlı bir çalışmadır. Yaprak özelliklerinden bitki tanıma, bitki sınıflandırmada kullanılan yöntemlerden bir tanesidir. Bitkilerin muhafazası ve tanınabilirliğini sağlamak için her türe ait bir bitki veri tabanı kurmak bitki tanımada uzmanlar için önemli bir adımdır. Dijital bitki kataloglama sistemi hazırlamak için bilgisayar görmesi uygulamaları ve görüntü işleme tekniklerini kullanan otomatik yaprak tanıma sistemlerinin tasarlanması, bitki türlerinin sınıflandırılmasına da hız ve verimlilik katacaktır. Bu tezde, yedi farklı kayısı türüne ait yaprak imgeleri kullanılmıştır. Bu türler sırası ile Apikoz Şalak, Çataloğlu, Çekirge İz, Hacıkızı, Hırmanlı, Paviot ve Tokatoğlu Erzincan'dır. Yedi farklı kayısı türüne ait yaprak imgeleri kullanılarak kayısı türleri derin öğrenme yöntemleri ile sınıflandırılmıştır. Derin öğrenme yöntemlerinden biri olan Evrişimsel Sinir Ağları kullanılarak %91,34 ±0,77 doğru sınıflandırma başarımı ile kayısı türleri sınıflandırılmıştır. Diğer bir derin öğrenme yöntemi olan Yerel Alıcı Alanlar-Aşırı Öğrenme Makinesi kullanılarak %97,26±0,95 doğru sınıflandırma başarımı ile kayısı türleri sınıflandırılmıştır.
Uydu görüntülerinde havaalanlarının tespit edilmesi
Son yıllarda uydu görüntülerinden otomatik havaalanı tespiti, askeri ve sivil havacılık alanlarındaki öneminden dolayı popüler bir konu haline gelmiştir. Ancak binalar, dağlar, nehirler ve yollar gibi karmaşık arka plana sahip olan bu görüntüler, havaalanlarının tespitini zorlaştırmaktadır. Ayrıca uydu görüntüleri büyük boyuta sahip olduğundan, hesaplama maliyetini azaltmak için algoritmanın karmaşıklığını da hesaba katmak oldukça önemlidir. Bu tez çalışmasında, uydu görüntülerinden otomatik havaalanı tespiti için iki farklı yaklaşım önerilmiştir. Birinci yöntemde, öncelikle potansiyel havaalanı aday bölgelerin tespiti için Doğru Parçası Algılayıcısının (DPA) geliştirdiğimiz versiyonu kullanılmıştır. Daha sonra bu aday bölgelerden Ölçekten Bağımsız Özellik Dönüşümü (ÖBÖD) ile etkili özellikler çıkarılmış ve bu özellikler Fisher Vektörü (FV) beslemiştir. FV'de görsel sözlük olarak Gauss Karışım Modeli (GKM) kullanılmıştır. Tüm Gauss'ların birinci ve ikinci dereceden kısmi türevleri birleştirilerek FV'ler elde edilmiştir. Özellik vektörü olarak FV kullanılmış ve sınıflandırıcı aşamasında Destek Vektör Makinesi (DVM) yetkilendirilmiştir. Önerilen yöntemin performansını değerlendirmek için doğruluk, duyarlılık ve özgüllük kriterleri kullanılmış ve %94,6'lık doğruluk elde edilmiştir. Önerilen yöntemin başarım üstünlüğü, literatürde daha önceden önerilmiş diğer çalışmalar ile karşılaştırılarak kanıtlanmıştır. Ayrıca havaalanı aday bölgelerin tespiti için geliştirdiğimiz DPA'nın, diğer yöntemlere göre daha az hesaplama maliyetine sahip olduğu karşılaştırmalı olarak doğrulanmıştır. İkinci yöntemde ise, uydu görüntülerinden havaalanlarının otomatik tespiti için hem özellik çıkarımı hem de sınıflandırıcı yapısını birlikte barındıran derin Evrişimsel Sinir Ağlarının (ESA) kullanımı araştırılmıştır. Öncelikle geliştirdiğimiz DPA yöntemi ile aday havaalanı bölgeleri tespit edilmiştir. Bu bölgeler, önerilen birinci yöntemdeki aday bölgeler ile aynıdır ve ESA mimarisini eğitmek için kullanılmıştır. ESA modeli, beş evrişim, üç havuzlama ve üç tam bağlı katmandan oluşmaktadır. Verimli bir mimari oluşturmak için normalleştirme ve bırakma katmanları da kullanılmıştır. Aşırı uyumu azaltmak için eğitim verisine ait adaylar, yapay olarak artırılmıştır. ESA performansını değerlendirmek için yine doğruluk, duyarlılık ve özgüllük kriterleri kullanılmıştır. Önerilen yöntem %95,21'lik doğruluğa sahiptir ve birinci öneriye göre yaklaşık %1'lik bir başarım artışı sağlanmıştır.
Diş röntgen görüntülerinde hastalık ve materyal tespiti için makine öğrenmesine dayalı yaklaşımlar
Son zamanlarda bilgisayar yazılım ve donanım teknolojisindeki hızlı gelişmeler, dijital dünyanın ve iletişimin gelişimiyle birlikte, nesnelerin interneti kavramının popülerlik kazanmasına yol açmıştır. Teknolojik ilerlemeler, özellikle nesne sınıflandırma, nesne tespiti ve örüntü tanıma gibi alanlarda da büyük bir etkiye sahiptir. Bu tez çalışması, diş röntgen görüntülerinde derin öğrenme yöntemlerinin kullanılmasıyla hastalık ve materyal tespiti konusunu ele almaktadır. Günümüzde diş sağlığı, tıp alanında önemli bir konudur ve diş röntgen görüntülerinin doğru bir şekilde analiz edilmesi, doğru tanı ve tedavi için büyük bir öneme sahiptir. Tez çalışması, diş hekimlerinin tanı ve tedavi süreçlerinde daha doğru ve hızlı kararlar almalarına yardımcı olacak potansiyele sahip olan derin öğrenme yöntemlerini diş röntgen görüntülerinde kullanma konusunda bir adım atmaktadır. Literatürdeki mevcut çalışmalarda, bu alanda kullanılabilecek yeterli ve özgün veri setlerinin eksikliği gözlemlenmiştir. Bu nedenle, tez çalışmasının bir parçası olarak, uzman bir diş hekimi yardımı ile incelenerek özgün bir veri seti oluşturulmuştur. Bu özgün veri seti, tez çalışmasının temelini oluşturmakta ve önerilen derin öğrenme tabanlı algoritmalarının doğruluğu ve performansı üzerinde değerlendirilmektedir. Ayrıca önerilen bu özgün yöntemlerin başarısını analiz etmek için güncel modellerle karşılaştırılmıştır. Elde edilen sonuçlar, önerilen yöntemlerin etkili olduğunu, literatürdeki eksikliği gidererek diş röntgen görüntülerinde hastalık ve materyal tespiti konusunda daha güvenilir ve etkili yöntemlerin geliştirilmesine katkı sağlamaktadır.
Videodan derin öğrenme tabanlı duygu tanıma
İnsan-makine etkileşimi için Otomatik Duygu Tanıma (ODT) sistemleri popülerliği gittikçe artan bir çalışma konusu olarak ön plana çıkmaktadır. Bu tez çalışmasında ODT sistemleri için görsel ve işitsel özellikleri bir arada kullanan derin öğrenme tabanlı yeni bir model önerilmiştir. Önerilen model ile video dizilerinden işitsel ve görsel özellikler ayrı ayrı çıkarılarak üç boyutlu bir özellik kapsülü içinde birleştirilmiştir. Elde edilen bu üç boyutlu özellik kapsülleri aynı şekilde üç boyutlu derin öğrenme tabanlı bir sınıflandırıcı kullanılarak sınıflandırılmıştır. Bu çalışmada, dikkat katmanı eklenmiş bir 3 Boyutlu Katlamalı Sinir Ağı (3BKSA) ve Uzun Kısa Süreli Bellek (UKSB) ağ yapısı ile uçtan uca birleştirilerek tasarlanmış özgün bir 3BKSA-UKSB ağ modeli önerilmiştir. Önerilen çalışmada işitsel özellik çıkartma aşamasında konuşma sinyallerinin görüntülere dönüştürülmesi için Spektrogram, Mel Frekans Kepstral Katsayılı (MFKK) özellik haritaları, Koklegram ve pencerelenmiş fraktal özellik haritaları kullanılmıştır. Görsel özellikler çıkarılırken ise iki aşamalı bir yöntem izlenmiştir. İlk olarak video özetleme olarak da adlandırılan ve anahtar çerçeve seçimine dayanan bir algoritma ile video dizisi, duygu tanıma için belirleyici yüz çerçevelerini seçerek özetlenmiştir. Sonrasında bu aşamada elde edilen anahtar çerçevelerden yüzdeki nirengi noktalarının koordinatları bulunarak geometrik özellikler çıkarılmış ve bu özellikler, özellik haritası görüntülerine dönüştürülmüştür. Eğitim ve test aşamasında işitsel ve görsel özelliklerden oluşan tüm özellik görüntüleri üç boyutlu bir özellik kapsülü içinde birleştirilerek, tasarlanan üç boyutlu ağ yapısı ile sınıflandırılmıştır. Önerilen yöntem video formatında hazırlanmış olan CREMA-D, RAVDESS, SAVEE ve RML veri setleri kullanılarak test edilmiş ve sınıflandırma başarımları ele alınmıştır. Bu çalışmada elde edilen sonuçlar son zamanlarda yapılan çalışmalarla kıyaslanmış ve önerilen yöntemin diğer çalışmalara göre daha üstün performans sergilediği görülmüştür. Anahtar Kelimeler: Otomatik Duygu Tanıma, Derin Öğrenme, Üç Boyutlu Katlamalı Sinir Ağı, Uzun Kısa Süreli Bellek, Fraktal, Mel Frekans Kepstrum Katsayıları
EEG işaretlerinden dikkat eksikliği ve hiperaktivite bozukluklarının makine öğrenmesi yöntemleri ile belirlenmesi
Dikkat Eksikliği Hiperaktivite Bozukluğu (DEHB), çocuklarda yaygın olarak görülen; hiperaktivite, davranış problemleri ve eğitimle ilgili zorluklar gibi belirtilerle kendini gösteren bir durumdur. Bu çalışma, DEHB teşhisini elektroensefalografi (EEG) sinyalleriyle değerlendirmeyi amaçlayarak önemli bir adım atmaktadır. Araştırma, DEHB tanısı almış 30 çocuk ile sağlıklı 30 kontrol grubundan elde edilen EEG verilerini içermektedir. EEG verileri, öncelikle gürültü azaltma amaçlı işlenmiş ve daha sonra derin öğrenme modelleri olan ConvMixer, ResNet50 ve ResNet18 gibi algoritmalar kullanılarak sınıflandırılmıştır. Çalışmanın bulguları, ConvMixer modelinin düşük hesaplama kaynaklarına ihtiyaç duyarak yüksek sınıflandırma başarısı elde ettiğini göstermektedir. DEHB teşhisi için daha hafif modellerin kullanılabilirliğini vurgulamaktadır, bu da uygulamada önemli bir avantaj sağlar. Ayrıca, EEG sinyallerinin DEHB teşhisinde kullanılabilirliği üzerine yapılan araştırmada, farklı kanalların etkileri incelenmiştir. Analizler sonucunda, özellikle T8 kanalının DEHB teşhisinde etkili olduğu belirlenmiştir. Elde edilen sonuçlar EEG tabanlı DEHB teşhisinde hangi kanallara odaklanılması gerektiğine dair önemli bir ipucu sunmaktadır. Sonuç olarak, bu çalışma, DEHB teşhisi için EEG tabanlı yöntemlerin kullanılabilirliğini ve EEG sinyallerinin analizi için derin öğrenme modellerinin etkinliğini ortaya koymaktadır. Ayrıca, daha hızlı öğrenme modellerinin kullanılabilirliğiyle birlikte, hangi EEG kanallarının daha önemli olduğu konusunda pratik uygulamalara ışık tutmaktadır.
Optik koherens tomografi ve retinal fundus görüntüleri kullanılarak çok sınıflı ve çok etiketli göz hastalıklarının derin öğrenme tabanlı sınıflandırılması
Yapay zeka (YZ) teknikleri kullanılarak çok sınıflı ve çok etiketli görüntülerin sınıflandırılması problemi literatürde hala çalışmaya ihtiyaç duyulan önemli bir sorundur. Bu tez çalışmasında, tıbbi görüntüleme alanında Optik Koherens Tomografi (OKT) ve fundus görüntülerini kullanarak göz hastalıklarının sınıflandırılmasına yönelik geliştirilen Evrişimli Sinir Ağları (ESA) ve Hibrid Vizyon Transformer (HVİT) tabanlı derin öğrenme modellerinin çok sınıflı ve çok etiketli veri setleri üzerinde başarımı değerlendirilmiştir. OKT ve fundus görüntülerini içeren farklı veri setleri üzerinde gerçekleştirilen deneysel çalışmalar sonucunda önerilen modellerin genelleme kabiliyetleri ve literatürdeki mevcut yöntemlerle kıyaslamalı performansları kapsamlı şekilde analiz edilmiştir. Çalışmada halka açık OKT görüntülerini içeren Kermany UCSD, OCTDL ve OCTID veri setleri ile fundus görüntülerini içeren ODIR5K veri seti üzerinde deneysel çalışmalar yürütülmüştür. Bu OKT veri setleri çok sınıflı farklı hastalık sınıflarını içermekte olup, fundus veri seti ise çok sınıflı ve çok etiketli farklı hastalık sınıflarını içeren bir veri setidir. Çok sınıflı ve çok etiketli veri setlerinde sınıf dengesizliğini ortadan kaldırmak için çeşitli yaklaşımlar geliştirilmiş ve uygulanmıştır. Bu amaçla Çekişmeli Üretken Ağ (ÇÜA) tabanlı sentetik görüntü üretimi gerçekleştirilmiştir. OKT veri setleri üzerinde önerilen ESA tabanlı yöntem ile Kermany UCSD veri setinde gerçekleştirilen sınıflandırma çalışmasında sırasıyla; %96.5, %98,29, %99,56, %98,31 ve %98,3 doğruluk, F1-skoru, AUC, kesinlik ve duyarlılık değerleri elde edilmiştir. Ayrıca, yine aynı veri seti üzerinde önerilen HVİT modeli ile gerçekleştirilen sınıflandırma çalışmasında sırasıyla; %99.7, %99.7, %100, %99.9, %99.7 ve 0.99 doğruluk, F1-skoru, AUC, kesinlik, duyarlılık ve Kappa skoru elde edilmiştir. OCTDL veri setinde önerilen ESA tabanlı yöntem ile sırasıyla; %95.26, %92.16, %99.74, %93.11 ve %91.53 doğruluk, F1-skoru, AUC, kesinlik ve duyarlılık değerleri elde edilmiştir. Önerilen HVİT modeli ile de sırasıyla; %96.58, %96.06, %99.92, %96.65, %95.72 ve 0.86 doğruluk, F1-skoru, AUC, kesinlik, duyarlılık ve Kappa skoru elde edilmiştir. OCTID veri seti üzerinde önerilen ESA tabanlı yöntem ile sırasıyla; %93.81, %92.49, %99.96, %93.37 ve %92.23 doğruluk, F1-skoru, AUC, kesinlik ve duyarlılık değerleri elde edilirken, önerilen HVİT modeli ile de sırasıyla; %94.41, %94.14, %99.55, %94.02, %94.4 ve 0.82 doğruluk, F1-skoru, AUC, kesinlik, duyarlılık ve Kappa skoru elde edilmiştir. Fundus veri seti ODIR-5k üzerinde önerilen HVİT modeli ile sırasıyla; %81.14, %81.03, %97.99, %81.08, %81.16 ve 0.80 doğruluk, F1-skoru, AUC, kesinlik, duyarlılık ve Kappa skoru değerleri elde edilmiştir. Elde edilen sonuçlar, literatürde yapılan çalışmalarla kıyaslanmış ve önerilen modellerin OKT ve fundus görüntü sınıflandırma problemlerinde yüksek doğruluk, F1-skoru, Kappa skoru, kesinlik, duyarlılık ve AUC değerleriyle başarılı sonuçlar gösterdiği ortaya konulmuştur. Bununla birlikte sınıf dengesizliği ve veri çeşitliliği ile model genelleştirilebilirliği gibi faktörlerin de dikkate alınması gerektiği ve önerilen ESA ve HVİT modellerinin, klinik karar destek sistemlerinde güvenilir ve etkili çözümler sunma potansiyeline sahip olduğu sonucuna ulaşılmıştır.
Semantik bölütleme ve nesne tespiti yöntemleri kullanılarak lateralsefalometrik radyografilerde servikal vertebraların incelenmesiyle kemik yaşı analizi
Servikal vertebra matürasyonu (CVM), ortodontik tedavide büyüme dönemini doğru yakalamak için önemli, güvenilir bir göstergedir. El-bilek grafileri bu amaçla kullanılsa da hastaya ek radyasyon yükler; yorumlayıcı çeşitliliğe açıktır, yorucudur, zaman gerektirir. Bu tez, rutin lateral sefalogramlardan CVM'yi ek çekim gerektirmeden, klinik hız sınırlarını aşmadan değerlendiren otomatik yapay zekâ hattı geliştirmeyi hedeflemiştir. Model eğitimi için Van Yüzüncü Yıl Üniversitesi Ortodonti A.D. arşivinden seçilen 3750 sefalogram kullanılmıştır. Önerilen modüler sistem üç basamaktan oluşur. Birinci basamakta YOLO-v11, C2-C4 bölgesini milisaniye ölçeğinde saptar; %99,8 kesinlik, %99,8 duyarlılık ve mAP₀․₅ = 0,9935 ile bölgeyi nokta atışıyla tanımlar. İkinci basamakta Attention-ResUNet, çok-ölçekli dikkat bloklarıyla kemik kenarlarını piksel düzeyinde ayıklar ve Dice = 0,956, Kesinlik (Precision) = 0,954 skorlarıyla kontur uyumunu klinik gereksinimlerin üzerine çıkarır. Üçüncü basamakta NFNet, altı evreli CVMS sistemine göre olgunluk sınıflandırması yapar; bağımsız testte %90,0 doğruluk, 0,990 ROC-AUC ve 0,980 spesifisite sunarak ayırım gücü yüksek, hatalı sınıflamaları sınırlı tutar. Veri beş katlı, stratifiye çapraz doğrulamayla bölünmüştür; K-fold ortalama doğruluk %88,5 ve %RSD 1,79 olarak belirlenmiş, model çıktılarının tutarlı olduğunu göstermiştir. Bu bulgular, literatürde daha küçük örneklem setleriyle raporlanan yaklaşımlara kıyasla geniş veri üzerinde rekabetçi değerler sunmaktadır. Ayrıca tespit, segmentasyon ve sınıflandırmayı tek adımda birleştirerek işlem süresini önemli ölçüde kısaltmakta ve hekim iş yükünü azaltmaktadır. Geliştirilen sistem, CVM temelli yaş tayinini hızlı ve düşük radyasyonlu hale getirerek yorumcu bağımlılığını azaltan yenilikçi ve etkili bir alternatif sunmakta olup klinik kullanıma hazırdır. Gelecekte çok-görevli öğrenme ile dental yaş veya frontal sinüs gelişimi gibi ek göstergelerin aynı hat üzerinden tahmini ve üç boyutlu düşük doz görüntü verilerinin entegrasyonu önerilmektedir.