TR-Dizin İndeksli Yayınlar Koleksiyonu
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/396
Browse
3 results
Search Results
Article YSA Kullanılarak Mamogramlardan Dokusal Öznitelik Tabanlı Meme Kanseri İlgi Bölgesi Sınıflandırılması(2020-12-29) Taşdemir, Sena Büşra Yengeç; Tasdemir, Kasim; Aydin, ZaferRadyoloji uzmanlarının mamografi görüntülerine bakarak yaptığı meme kanseriteşhislerinde tip bir hata oranı yüzde otuzlara kadar çıkmaktadır. Kanserin teşhisbaşarısını artırmak adına bu çalışmada uzmanlara yardımcı olacak yeni birBilgisayar Yardımlı Teşhis sistemi, kanserli ve normal dokuyu ayırt etmek içinönerilmektedir. Önerilen sistemde kontrast limitli histogram eşitleme (CLAHE)yöntemiyle iyileştirilen görüntülerin iki boyutlu parçacık dönüşümlerinden (2B–DWT) Haralick ve HOG öznitelikleri çıkarılmıştır. Özniteliklerin sayısını azaltmasıiçin temel bileşenler analizi (PCA) algoritması kullanılmıştır. Seçilen öznitelikler çokkatmanlı algılayıcı (MLP) mimari yapısına sahip yapay sinir ağına (YSA) girdi olarakverilmiştir. Çok katmanlı algılayıcı üzerinde Adam eniyileme yapıldığında %81tespit doğruluğu yakalanmıştır. Ayrıca, diğer bir çok temel makine öğrenmesi vederin öğrenme yöntemleri denenerek karşılaştırma sonuçları detaylı olaraksunulmuştur. Sınırlı sayıda veri kümesi kullanıldığında transfer öğrenim kullanılsadahi derin öğrenme yöntemlerinin tespit başarısı azalmıştır. Buna karşılık doğru önişleme, öznitelik seçilimi ve makine öğrenmesi yaklaşımları kullanıldığı zamangeleneksel bilgisayarlı görü yöntemleri daha başarılı sonuçlar vermiştirArticle Performance Analysis of Machine Learning and Bioinformatics Applications on High Performance Computing Systems(2020-01-31) Aydin, ZaferNowadays, it is becoming increasingly important to use the most efficient and most suitable computational resources for algorithmic tools that extract meaningful information from big data and make smart decisions. In this paper, a comparative analysis is provided for performance measurements of various machine learning and bioinformatics software including scikit-learn, Tensorflow, WEKA, libSVM, ThunderSVM, GMTK, PSI-BLAST, and HHblits with big data applications on different high performance computer systems and workstations. The programs are executed in a wide range of conditions such as single-core central processing unit (CPU), multi-core CPU, and graphical processing unit (GPU) depending on the availability of implementation. The optimum number of CPU cores are obtained for selected software. It is found that the running times depend on many factors including the CPU/GPU version, available RAM, the number of CPU cores allocated, and the algorithm used. If parallel implementations are available for a given software, the best running times are typically obtained by GPU, followed by multi-core CPU, and single-core CPU. Though there is no best system that performs better than others in all applications studied, it is anticipated that the results obtained will help researchers and practitioners to select the most appropriate computational resources for their machine learning and bioinformatics projects.Article A Comparative Study of Unet Variants for Low-Grade Glioma Segmentation in Magnetic Resonance Imaging(Inonu University, 2025-06-25) Guzel, Yasin; Aydin, ZaferBrain tumors originating from glial cells are pathological entities that significantly impact quality of life and are classified based on their malignancy into low-grade gliomas (LGGs) and high-grade gliomas (HGGs). While the more aggressive HGGs have been extensively studied, LGGs are of critical importance for early diagnosis due to their potential progression to HGGs if left untreated. This has driven researchers to develop methods for the rapid and consistent diagnosis of LGGs. In this study, three models—UNet, Transformer UNet, and Super Vision UNet—were comparatively evaluated for the automatic segmentation of LGGs using magnetic resonance imaging (MRI) data. Multimodal MRI scans from 110 patients, retrieved from The Cancer Imaging Archive (TCIA), were used to train the models. Performance was evaluated using Dice Coefficient, Tversky Index, and Intersection over Union (IoU) metrics. The Super Vision UNet achieves the highest Dice (0.9115) and Tversky (0.9154) scores, while the Transformer UNet attains the highest IoU (0.8789). Both advanced models demonstrate superior segmentation performance with lower loss values compared to the conventional UNet. Visual outputs indicate that the modern architectures delineate tumor contours with greater precision. These results highlight the effectiveness and reliability of contemporary UNet-based and Transformer-based architectures in segmenting complex tumor structures such as LGGs. Integrating these models into clinical decision support systems holds promise for enhancing the speed and accuracy of the diagnostic process. © 2025 Elsevier B.V., All rights reserved.