9
Arşivlenen Tez
3
DOI Atanmış
33%
DOI Oranı
Anabilim Dalı
Evrişimsel sinir ağı kullanılarak göğüs radyografilerinde yüksek başarımlı bölütleme yapılması ve pnömoni tespitine etkisinin incelenmesi
Zatürre diğer adıyla pnömoni bakteriyel veya viral enfeksiyonun neden olduğu yaşamı tehdit eden akciğer hastalığıdır. Bu nedenle, hastalığın erken teşhisi ölüm oranını önemli derecede azaltmaktadır. Göğüs röntgenleri (radyografi) hastalığın teşhisinde büyük öneme sahiptir. Pnömoni teşhisinde sağlık alanındaki çalışmalar dışında, mühendislik alanında da birçok çalışma yapılmakta ve teşhis sürecini hızlandırma konusunda kolaylıklar sağlamaktadır. Bu uygulamalardan biri de derin öğrenme yöntemleri ile hastalığı teşhis etmektir. Çalışmada, Python programlama dilinde Tensorflow Kütüphanesi ve erişime açık veri setlerinden yararlanılmıştır. Veri seti olarak içinde 1-5 yaş arası çocukların göğüs röntgenlerinin bulunduğu Veriseti-1 ve bu veri setinden bir kısım görüntülerin işaretli verilerinin de bulunduğu Veriseti-2 kullanılmıştır. İki aşamalı evrişimsel sinir ağı modeli oluşturulmuştur. İlk aşamada, akciğer bölgesi işaretlenmiş Veriseti-2 üzerinde değiştirilmiş U-Net mimarisi kullanılarak bölütlemesi yapılacak Veriseti-1 görüntüleri için model oluşturulmuştur. Ayrıca çalışmanın son kısmında göğüs kafesi bölgesini tespit edebilecek bir yaklaşım önerilmiştir. Oluşturulan model Veriseti-1'de kullanılarak bölütleme yapılmıştır. Bölütleme doğruluğu (accuracy) % 98.98 olarak hesaplanmıştır. Tasarlanan evrişimsel sinir ağı modeli Veriseti-2'ye uygulanmış ve pnömoni tespitinde test doğruluk (accuracy) değeri %98.55 olarak elde edilmiştir.
Avuç izi doğrulama için en uygun ilgi alanı bölgesinin tespit edilmesi
Bu çalışma, avuç içi biyometrik tanıma sistemlerinde ilgi alanı bölge seçiminin önemini ve performansa etkilerini derinlemesine incelemektedir. İlgin bölge seçimi, biyometrik verilerin doğruluğunu ve sistemin genel performansını belirleyen kritik bir faktördür ve biyometrik özelliklerin yoğun olduğu bölgelerin tespit edilmesi ve analiz edilmesini sağlamaktadır. Çalışmamızda, bölütlenmiş edilmiş el görüntülerinde parmak arası noktalar referans alınarak kare şeklinde ilgin alanları oluşturulmuştur. Bölütleme işlemi, avuç içi bölgesinin arka plandan ayrılması ve parmak arası noktaların belirlenmesini içermektedir. Bölütleme sonrası belirlenen parmak arası noktalar referans alınarak, bu merkez noktası etrafında kare şeklinde ilgin alanı tanımlanmıştır. Bölgesel büyüklük farkları, bölütlenmiş el görüntülerinde ortaya çıkan farklı boyutlardaki ilgin alanların ortaya çıkmasına neden olmaktadır. Parmakların açık veya kapalı olması, elin açısı ve pozisyonu gibi değişkenler, ilgin alanının büyüklüğünde ve şeklinde farklılıklara neden olabilir. Bu çalışmada, farklı büyüklüklerde ve şekillerdeki ilgin alanlarının kimliklendirmedeki doğruluk oranları üzerindeki etkileri deneysel olarak analiz edilmiştir. Elde edilen sonuçlar, farklı büyüklüklerdeki ilgin alanlarının biyometrik tanıma performansına olan etkilerini göstermektedir. Doğru bölge seçimi, biyometrik doğrulama sistemlerinin doğruluk oranlarını ve işlem hızını önemli ölçüde artırmaktadır. Elin pozisyonu gibi değişkenlerin avuç içi tanımaya olan etkileri de detaylı bir şekilde analiz edilmeye çalışılmıştır. Bu bulguların, biyometrik sistemlerin geliştirilmesine ve daha güvenilir doğrulama süreçlerinin oluşturulmasına katkı sunması beklenmektedir.
Elastic stack ve makine öğrenmesi ile IoT güvenliği: Dos saldırılarına karşı akıllı savunma sistemi
Teknolojinin gelişmesiyle IoT cihazların kullanımı artmaktadır. Bu cihazlar, iletişim kurma ve veri toplama gibi yeteneklerle endüstriyel, sağlık, ulaşım gibi birçok alanda kullanılmaktadır. Ancak, bu cihazların artan kullanımı, siber saldırıların da artmasına neden olmaktadır. Geçmişte Mirai botnet saldırıları gibi örnekler, IoT cihazlarının güvenliğinin ne kadar kritik olduğunu göstermiştir. Bu nedenle, çalışmada Elastic Stack, makine öğrenmesi ve derin öğrenme teknolojilerinin kullanımıyla IoT cihazlarının güvenliğini artırmaya yönelik akıllı savunma sistemi geliştirilmesi amaçlanmıştır. Çalışmada Bot-IoT ve Unsw-IoT-B datasetleri kullanılarak atakların belirlenmesi üzerine yoğunlaşılmıştır. Çalışmada makine öğrenmesi yöntemlerinden random forest, Decision Tree (Information Gain), Decision Tree (Gini Index), Naive Bayes teknikleri kullanılmıştır. Derin öğrenme yöntemlerinden Lstm, Rnn ve Svm kullanılarak datasetleri üzerinde atak ve atak tipleri tespiti gerçekleştirilmiştir. Tasarlanan modelde makine öğrenmesi yöntemleriyle %0.9998 lik başarım oranları yakalanmış olup derin öğrenme yöntemleriyle %0.98 lik doğruluk oranı elde edilmiştir. Bu modelle birlikte yapay zeka destekli saldırı tespit sistemlerinin IoT cihazlarının güvenliklerinde faydalı olacağını göstermektedir.
indexliAçık ErişimTREvrişimli sinir ağları tabanlı süper çözünürlük yöntemleri ile avuç izi görüntü kalitesinin iyileştirilmesi
Bu tez çalışması, avuç izi tanıma sistemlerinde kullanılan biyometrik görüntülerin kalitesini iyileştirmek amacıyla, derin öğrenme tabanlı süper-çözünürlük yöntemlerinin performansını incelemektedir. Literatürde yaygın olarak kullanılan GAN, DCGAN, BGAN, BEGAN ve özellikle çekişmeli otokodlayıcı (AAE) mimarileri değerlendirilmiş; elde edilen süper-çözünürlüklü çıktılar hem PSNR gibi referanslı hem de BRISQUE gibi referanssız metriklerle analiz edilmiştir. Yapılan deneylerde, AAE modeli en başarılı sonuçları verdiğinden, geliştirme süreci bu yapı üzerine odaklanmıştır. Modelin kod çözücü kısmı konvolüsyonel katmanlarla yeniden tasarlanarak 2 kat çözünürlük artırımı sağlayacak şekilde optimize edilmiş, IIT Delhi avuç içi veri seti ile eğitilmiştir. Görüntü kalitesi iyileştirme sürecinin yalnızca görsel kaliteyi değil, aynı zamanda biyometrik tanıma doğruluğunu da artırdığı yapılan testlerle ortaya konmuştur.
indexliAçık ErişimTRGörme engellilere yönelik akıllı sensörlerle düşük maliyetli akıllı baston tasarımı
Dünyada yaklaşık 285 milyon insanın görme engelli olduğu varsayılmaktadır. Bunun 39 milyonu "kör", 246 milyonu da "az gören" olarak kayıtlara geçmiştir. Görme bozukluğunun pek çok sebebi olabilir. Genetik yatkın olma ve akraba ile evlilik, ülkemizdeki göz kusurlarının temel nedenidir. Bunun yanında kaza, yaralanma ve beyin hasarı gibi sebeplerle ileri görme bozuklukları olabilir. Günümüzde, teknolojiyi hayatımızın her noktasında aktif olarak kullanmaktayız. Görme engellilerin engelsiz bireyler gibi, yaşamını daha rahat sürdürebilmeleri için çeşitli donanımlar ve yazılımlar üretilmektedir. Bu çalışmayla tasarlanan akıllı baston sayesinde engelli bireylerin hayat standartlarını daha yukarıya taşımak amaçlanmıştır. Tasarlanan akıllı bastonumuza elektronik cihazlar entegre edilerek, görme engelli bastonu akıllı hale getirilecektir. Akıllı bastonumuzun hem donanımsal hem de yazılımsal olarak tasarlanması, bu çalışmanın amacını teşkil etmektedir. Donanımsal olarak üç farklı donanım kullanıldı. Bunlar; GPS modülü, Arduino Leonardo geliştirme kartı ve GSM modülüdür. Yazılım aşamasında Arduino IDE kod platformu kullanılmıştır. Herhangi bir tehlike durumunda veri iletişim algoritması uygulanarak Kapadokya GSM modülden cep telefonuna uyarı mesajı gönderilecektir. Uyarı sinyali alındıktan sonra cep telefonu yazılımındaki rutinler devreye girecektir. Sistemin başarıyla çalıştığı ve görme engelli bireyin konumunu doğru tespit ettiği görülmüştür. Literatürde görme engellilere yönelik tasarlanmış birçok çalışma bulunmaktadır. Bu çalışmalarda farklı sistemler için geliştirilmiş devre ve yazılım tasarımlarının benzer olduğu görülmüştür. Çalışmamızda kullandığımız Kapadokya GSM Shield sayesinde birçok işlevi bir arada yaparak maliyetin düşük olması amaçlanmıştır.
indexliAçık ErişimTROtomatik avuç içi bölütlenmesinin gerçekleştirilmesinde farklı derin öğrenme modellerinin performanslarının incelenmesi
Tıbbi görüntüleme teknolojilerindeki ilerlemeler, özellikle derin öğrenme tabanlı yöntemlerin kullanımıyla, el bölütleme gibi spesifik görevlerde dikkat çekici başarılar elde etmiştir. El bölütleme, biyometrik doğrulama sistemlerinde kimlik tespiti için kritik bir öneme sahiptir. Avuç içi damar yapıları, parmak uzunlukları ve deri dokusu gibi benzersiz biyometrik özelliklerin doğru bir şekilde çıkarılması, el bölütleme algoritmalarının doğruluğuna bağlıdır. Bu tez çalışmasında, el bölütleme probleminin çözümü için oto kodlayıcı tabanlı U-Net, MA-Net, FPN ve PSP-Net modelleri, Vision Transformer, EfficientNet-B5 ve ResNet-34 omurgaları ile değerlendirilmiştir. Modeller, Doğruluk (ACC), Intersection over Union (IoU), Dice katsayısı ve F1 skor gibi metriklerle analiz edilmiştir. Sonuçlar, Vision Transformer ile entegre edilen U-Net modelinin bölütleme de en yüksek başarı sağladığını göstermiştir (IoU: 0.8917, Dice: 0.9892). MA-Net, ResNet-34 omurgasıyla kullanıldığında en yüksek doğruluk değerine (0.9921) ulaşmıştır. Ayrıca bu kombinasyon, en yüksek F1 skorunu (0.9584) da elde etmiştir. EfficientNet-B5, MA-Net ve FPN ile etkili sonuçlar sunmuştur. Çalışmanın sonuçları, derin öğrenme modelleriyle elde edilen bölütleme başarısının biyometrik doğrulama sistemlerinin güvenilirliğini artırabileceğini ortaya koymaktadır. Özellikle U-Net - Vision Transformer ve MA-Net – ResNet-34 kombinasyonları, elin bölütlenmesinde yüksek performans göstermiştir. Bu bulgular, el bölütleme uygulamalarında model ve omurga seçimlerinin kritik olduğunu vurgulamaktadır.
Solunum sesi sınıflandırması için klasik ve derin öğrenme modellerinin karşılaştırılması
Bu çalışmada, solunum sesi sinyallerinin otomatik sınıflandırılması amacıyla ICBHI 2017 veri kümesi üzerinde klasik makine öğrenmesi ve modern derin öğrenme yaklaşımları karşılaştırılmıştır. Ön işleme adımlarının ardından Mel-spektrogram ve tayfsal öznitelikler çıkarılmış; bu öznitelikler klasik yöntemler (SVM, KNN, Random Forest, XGBoost) ile, Mel-spektrogramlar ise evrişim tabanlı mimariler (GhostNet ailesi, ResNet-50, EfficientNet-B0, MobileNetV3) ile değerlendirilmiştir. Değerlendirmede hasta-bağımsız (subject-wise) veri bölmesi kullanılmış; sınıf dengeleme amaçlı veri artırma yalnızca eğitim katlarına uygulanarak doğrulama/sınama sızıntısı engellenmiştir. Bulgular, GhostNetV4 mimarisinin %89.9 doğruluk ve makro-F1 = 0.898 ile diğer derin ve klasik yaklaşımları aştığını göstermektedir. Sonuçlar, hesaplama yükü görece düşük derin öğrenme modellerinin, solunum sesi analizi için klinik karar destek sistemlerine entegrasyonda güçlü adaylar olduğunu ortaya koymaktadır. Ayrıca çalışma, hasta-bağımsız protokol ve şeffaf veri artırma politikasıyla literatürdeki değerlendirme farklılıklarına karşı kıyaslanabilirlik sağlamaktadır.
Ghostnet tabanlı CNN modelleri ile cilt kanseri sınıflandırılması
Bu tez, dermoskopik görüntülerden cilt kanserini otomatik olarak teşhis edebilen derin öğrenme tabanlı hibrit bir model önermektedir. Amaç; tanısal doğruluğu artırırken hesaplama maliyetini azaltmaktır. Bunun için, önceden eğitilmiş (pretrained) büyük CNN modelleri ile SMOTE-ENN veri dengelemesiyle optimize edilen hafif GhostNet mimarileri birlikte kullanılmıştır.İlk yaklaşımda, ISIC 2019 veri kümesi üzerinde altı model değerlendirilmiştir: VGG16, DenseNet201, EfficientNetB7, EfficientNetV2L, ConvNeXtBase ve MobileNet. Bu aşamada ConvNeXtBase, %84,63 doğruluk ve %78 duyarlılık ile güçlü bir başlangıç performansı göstermiştir. Ancak bu büyük modellerin gerçek zamanlı uygulamalarda kullanımı, yüksek hesaplama maliyeti nedeniyle zor olmuştur. Bu kısıtlamayı aşmak için ikinci yaklaşımda, GhostNet (V1–V3) mimarileri kullanılmıştır. Bu aşamada SMOTE-ENN dengelemesi uygulanmış ve yalnızca eğitim verisi üzerinde kullanılan Ayrık Tam Bağlantılı (DFC) dikkat mekanizmasıyla model performansı artırılmıştır. Sonuç olarak GhostNet V2, büyük CNN modellerine kıyasla parametre sayısını yaklaşık %90 azaltmasına rağmen daha yüksek performans elde etmiş; %95 doğruluk, %93,9 duyarlılık ve 0,99 AUC değerlerine ulaşmıştır. Deneysel sonuçlar, hafif ve verimli modellerin yüksek doğrulukla dermatolog düzeyine yakın tanısal performans sağlayabildiğini göstermektedir. Önerilen sistem; teletıp uygulamaları ve cilt kanseri taramaları için pratik, yorumlanabilir ve gerçek zamanlı bir yapay zekâ çözümü sunmaktadır.
Fonokardiyogram verilerinden derin öğrenme tabanlı mel spektrogramanalizi ile kalp üfürümü tespiti
Kalp oskültasyonu, kalp seslerinin değerlendirilmesi ve kapak hastalıklarının belirlenmesinde kullanılan temel klinik yöntemlerden biridir. Ancak bu yöntemin doğruluğu büyük ölçüde klinisyenin deneyimine bağlıdır ve bu durum tanısal sonuçlarda değişkenliğe yol açabilmektedir. Bu çalışma, söz konusu sınırlamaları azaltmak amacıyla kalp seslerinin sınıflandırılmasına yönelik derin öğrenme tabanlı otomatik bir sistem önermektedir. Bu kapsamda fonokardiyogram (FKG) sinyalleri Mel-spektrogram temsiline dönüştürülerek zaman-frekans alanındaki ayırt edici özellikler elde edilmiştir. Elde edilen özellikler, kalp seslerini dört sınıfa ayırmak için kullanılmıştır: normal kalp sesleri, üfürümlü anormal sesler, normal sonuçlu üfürümler ve üfürümsüz anormal sesler. Sınıflandırma sürecinde Konvolüsyonel Sinir Ağları (CNN) kullanılmış ve ResNet50 ile ResNet152 gibi transfer öğrenme tabanlı mimarilerden yararlanılmıştır. Veri kümesindeki sınıf dengesizliğini azaltmak için hedefli veri artırma yöntemleri uygulanmıştır. Deneysel sonuçlar, ResNet152 modelinin yaklaşık %84.6 doğruluk oranı ile en iyi performansı gösterdiğini ortaya koymuştur. Elde edilen bulgular, önerilen yaklaşımın yüksek ayırt edicilik sağladığını ve klinik karar destek sistemlerinde kullanılabileceğini göstermektedir.