{
    "exported_at": "2026-11-16 00:02:46",
    "count": 12,
    "records": [
        {
            "id": 27,
            "title": "Breast cancer prediction from mammography images using deep learning techniques",
            "title_ar": "",
            "title_en": "",
            "author": "Şeyma Doğru",
            "supervisor": "",
            "degree_type": "unspecified",
            "degree_evidence": "",
            "university": "",
            "university_source": "",
            "college": "",
            "department": "",
            "country": "Turkey",
            "governorate": "",
            "publication_year": 2025,
            "language": "tr",
            "research_domain": "medical-ai",
            "research_subdomain": "medical-imaging",
            "categories": "machine-learning; deep-learning; computer-vision; medical-ai; predictive-analytics; medical-imaging",
            "keywords": "",
            "abstract": "Teknolojik ilerlemeler, birçok sektörde olduğu gibi sağlık alanında da akıllı makinelerin karar verme süreçlerine dahil edilmesine olanak tanımıştır. İnsanlardan daha hızlı analitik düşünebilme ve ilişkileri saptama yetenekleri sayesinde bu makineler, uzmanlara doğru kararların alınmasında önemli ölçüde destek sağlamaktadır. Özellikle kanserin erken teşhisinin hayati öneme sahip olması, bu alanda yapılan yapay zeka çalışmalarını hızlandırmıştır. Kanserin erken tanısı, hastaların sağkalım oranlarının artırılması, organ kaybının önlenmesi ve radyoterapi, kemoterapi gibi tedavilerin en az düzeyde uygulanması bakımından kritik önem taşımaktadır. Memede oluşan küçük lezyonların tespiti genellikle mümkün olmamaktadır. Bu da hastalığın ilerlemesine ve ileri safhalarda fark edilmesine sebep olmaktadır. Kontrastlı Spektral Mamografi (CESM), bu tespit zorluğunu gidermek için geliştirilmiş yeni bir görüntüleme tekniğidir. Meme hücrelerine enjekte edilen kontrast madde ile lezyonları görünür kılan Kontrastlı Spektral Mamografi, dijital mamografide gözden kaçabilen lezyonları yakalamaya yardımcı olur. Doktorların daha güvenilir tanı koymasına ve hastalığa erken fark edilmesine olanak tanır. Bu tez çalışmasında, meme kanserinin teşhis sürecine odaklanılarak Kontrastlı Spektral Mamografi (CESM) görüntüleri kullanılmıştır. Çalışmada iki farklı veri seti üzerinde çeşitli derin öğrenme modelleri eğitilerek analizler gerçekleştirilmiştir. Kullanılan bu veri setleri CDD-CESM veri seti ve CESM@UCBM veri setleridir. CDD-CESM veri setinde toplamda 2006 görüntü bulunmaktadır. Bu görüntülerin 1003 tanesi düşük enerjili görüntü, 1003 tanesi ise bileşik görüntüdür. CESM@UCBM veri setinde ise 1138 adet görüntü bulunmaktadır. Bu görüntülerden 569 tanesi düşük enerjili, 569 tanesi ise bileşik görüntüdür. Bu çalışma kapsamında yapılan eğitimlerde veri setlerine 20 farklı açıdan yaklaşılmıştır. Veri seti 3 sınıflı (Normal, İyi Huylu, Kötü Huylu) ve 2 sınıflı (İyi Huylu, Kötü Huylu) olarak, ayrı ayrı ve birlikte olacak şekilde eğitilmiştir. Aynı zamanda bu ele alım şekillerine veri artırma yöntemleri uygulanarak veriler tekrar eğitilmiştir. Bu kapsamda, ResNet50, DenseNet121, EfficientNetB0, VGG16 ve VGG19 mimarileri uygulanmış ve beşli çapraz doğrulama sonucunda DenseNet121 modeliyle ,46 kesinlik (precision), ,35 duyarlılık (recall) ve ,81 F1-Skor değerleri elde edilmiştir. Bu sonuçlar, önerilen yöntemin meme kanseri tanısında etkin bir destek aracı olabileceğini göstermektedir.",
            "source_url": "https:\/\/openalex.org\/W7216756002",
            "pdf_url": "https:\/\/acikerisim.btu.edu.tr\/bitstreams\/18957f3e-ea89-423c-a8a0-261f29685e20\/download",
            "doi": "",
            "handle": "",
            "repository_name": "Bursa Technical University Institutional Repository",
            "source_record_id": "W7216756002",
            "other_sources": "",
            "verification_status": "needs_review",
            "created_at": "2026-11-15 16:52:46",
            "updated_at": "2026-11-15 16:52:46"
        },
        {
            "id": 74,
            "title": "Medical image segmentation using deep learning",
            "title_ar": "",
            "title_en": "",
            "author": "Ruya Kaymak",
            "supervisor": "",
            "degree_type": "unspecified",
            "degree_evidence": "",
            "university": "Fırat University",
            "university_source": "repository_host",
            "college": "",
            "department": "",
            "country": "Turkey",
            "governorate": "",
            "publication_year": 2019,
            "language": "tr",
            "research_domain": "medical-ai",
            "research_subdomain": "medical-imaging",
            "categories": "deep-learning; computer-vision; medical-ai; image-segmentation; medical-imaging",
            "keywords": "Derin öğrenme, Konvolüsyonel Sinir Ağı, Tam Konvolüsyonel Ağ, Tıbbi görüntü bölütleme.",
            "abstract": "Bu tezde, ilk olarak son yıllarda makine öğrenmesi alanında çok fazla ilgi duyulan derin öğrenme yaklaşımı hakkında detaylı bilgilere yer verilmiştir. Daha sonra, en tehlikeli cilt kanseri türü olan melanomun tespitine yardımcı olabilmek adına otomatik bir cilt lezyonu bölütleme uygulaması gerçekleştirilmiştir. Bu tıbbi görüntü bölütleme uygulaması, derin öğrenme tabanlı olan Konvolüsyonel Sinir Ağı (KSA) mimarilerinde değişiklik yapılarak elde edilen Tam Konvolüsyonel Ağ (TKA) mimarileriyle gerçekleştirilmiştir. Uygulama için gerçekleştirilen deneysel çalışmalarda veri seti olarak ISIC 2017 kullanılmış olup FCN-AlexNet, FCN-8s, FCN-16s ve FCN-32s isimli dört farklı TKA mimarisinden yararlanılmıştır. Bu mimariler ve veri seti dikkate alındığında, bu çalışma bilimsel yazında ilk kez gerçekleştirilmiştir. Deneysel çalışmalar için öncelikle TKA'lar ayrı ayrı eğitilmiş ve eğitilen bu ağ modellerinin geçerlilik veri seti üzerindeki doğrulukları ve Dice katsayıları karşılaştırılmıştır. Ayrıca, lezyon bölütleme çıkarımları görselleştirilerek kullanılan TKA mimarilerinin lezyonları ne kadar keskinlikte bölütleyebildiği gözlemlenmiştir. Elde edilen deneysel sonuçlar, cilt lezyonu bölütleme uygulamalarında TKA'ların elverişli olduğunu göstermiştir. Bununla beraber, deneysel sonuçların bilimsel yazına ve tıbbi görüntü bölütleme ile ilgili çalışmalar yapan araştırmacılara katkı sağlayacağı düşünülmektedir. Anahtar Kelimeler: Derin öğrenme, Konvolüsyonel Sinir Ağı, Tam Konvolüsyonel Ağ, Tıbbi görüntü bölütleme.",
            "source_url": "https:\/\/openalex.org\/W7217362636",
            "pdf_url": "",
            "doi": "",
            "handle": "",
            "repository_name": "DSpace - FIRAT (Fırat University)",
            "source_record_id": "W7217362636",
            "other_sources": "",
            "verification_status": "needs_review",
            "created_at": "2026-11-15 16:52:46",
            "updated_at": "2026-11-15 16:52:46"
        },
        {
            "id": 257,
            "title": "Tumor Classification İn Brain Mri İmages Using An Optimized Hybrid Deep Learning Model",
            "title_ar": "",
            "title_en": "",
            "author": "Veysel Tileği ; Danışman: Doç. Dr. Ali Yıldız",
            "supervisor": "",
            "degree_type": "unspecified",
            "degree_evidence": "",
            "university": "",
            "university_source": "",
            "college": "",
            "department": "",
            "country": "Turkey",
            "governorate": "",
            "publication_year": 2025,
            "language": "tr",
            "research_domain": "medical-ai",
            "research_subdomain": "medical-imaging",
            "categories": "deep-learning; computer-vision; medical-ai; cnn; medical-imaging",
            "keywords": "",
            "abstract": "Son yıllarda derin öğrenme tabanlı yöntemler, tıbbi görüntü analizinde manyetik rezonans (MR) görüntülerinden beyin tümörlerinin otomatik tespiti ve sınıflandırılmasında dikkat çekici başarılar göstermiştir. Ancak MR görüntülerinin manuel olarak yorumlanması, zaman alıcı, uzmanlara bağımlı ve öznel bir süreç olduğundan, otomatik karar destek sistemlerine duyulan gereksinim giderek artmaktadır. Bu tez çalışmasında, literatürdeki önde gelen Konvolüsyonel sinir ağı (Convolutional Neural Networks – CNN) mimarilerinin EfficientNet, ResNet ve DenseNet yapısal üstünlükleri birleştirilerek NeuroTriNet adı verilen yeni bir hibrit CNN modeli önerilmiştir. Önerilen mimari, EfficientNet'in parametre verimliliğini, ResNet'in gradyan kararlılığını ve DenseNet'in yoğun öznitelik paylaşımını tek bir modelde bütünleştirmektedir. Modelin hiperparametreleri, Optuna tabanlı Hiperparametre Optimizasyonu (HPO) yöntemi ile Tree-Structured Parzen Estimator (TPE) örnekleme stratejisi ve MedianPruner erken durdurma algoritması kullanılarak optimize edilmiştir. Eğitim sürecinde, sınıf dengesizliklerini azaltmak amacıyla Focal Loss fonksiyonu tercih edilmiştir. Deneysel tez çalışmaları, birleştirilmiş beyin MR veri kümesi üzerinde yürütülmüştür. Veri kümesi, açık kaynak olarak sunulan IEEE ve Kaggle kaynaklarından elde edilen glioma, meningioma ve sağlıklı beyin sınıflarından oluşmaktadır. Eğitim verileri için çeşitli veri artırma teknikleri uygulanmış, görüntüler 256×256x3 boyutunda normalize edilmiştir. Performans değerlendirmesi doğruluk, makro F1-skoru ve ROC-AUC metrikleri üzerinden gerçekleştirilmiştir. Önerilen NeuroTriNet modeli, doğrulama kümesi üzerinde ,95 doğruluk ve ,95 makro F1-skoru elde ederek yüksek ve dengeli bir sınıflandırma başarımı sergilemiştir. Bağımsız test kümesi sonuçları incelendiğinde ise modelin ,81 doğruluk ve ,71 makro F1-skoru ile güçlü bir genelleme yeteneğine sahip olduğu görülmüştür. Bu tez çalışmasında, beyin tümörü sınıflandırması alanında optimize edilmiş, açıklanabilir ve hesaplama açısından verimli bir derin öğrenme modeli sunmaktadır. Önerilen NeuroTriNet, medikal görüntü analizinde hibrit CNN mimarilerinin etkinliğini ortaya koyarak, klinik karar destek sistemlerinin geliştirilmesine katkı sağlamayı hedeflemektedir.",
            "source_url": "https:\/\/openalex.org\/W7165072612",
            "pdf_url": "",
            "doi": "",
            "handle": "",
            "repository_name": "Mersin Üniversitesi Açık Erişim Sistemi\/Mersin University Open Access System",
            "source_record_id": "W7165072612",
            "other_sources": "",
            "verification_status": "needs_review",
            "created_at": "2026-11-15 16:52:48",
            "updated_at": "2026-11-15 16:52:48"
        },
        {
            "id": 297,
            "title": "Prediction of Deep Learning Methods using Wavelet Transform",
            "title_ar": "",
            "title_en": "",
            "author": "Gökçe Nur Taşağıl Arslan",
            "supervisor": "",
            "degree_type": "unspecified",
            "degree_evidence": "",
            "university": "",
            "university_source": "",
            "college": "",
            "department": "",
            "country": "Turkey",
            "governorate": "",
            "publication_year": 2025,
            "language": "tr",
            "research_domain": "deep-learning",
            "research_subdomain": "cnn",
            "categories": "machine-learning; deep-learning; predictive-analytics; cnn; rnn",
            "keywords": "",
            "abstract": "Hava kirliliği, PM10 gibi partikül madde içeren yanma gazlarının salınması sonucu ortaya çıkmaktadır. Doğru ve güvenilir teknikler ile PM10 konsantrasyonlarının tahmini, sağlık risklerini düşürmek için göz önüne alınmalıdır. Ortam hava kalitesi ve halk sağlığı üzerindeki zararlı etkileri en aza indirmek için önleyici tedbirleri yürütmek üzere erken uyarı sistemlerinin potansiyelinin olması, PM10'u tahmin etme sayesinde mümkün hale gelmektedir. Bu çalışma, saatlik geçmiş hava kirletici konsantrasyonları ve meteorolojik verileri kullanarak, Ayrık Dalgacık Dönüşümü (DWT), Çok Katmanlı Algılayıcılar (MLP), Yinelemeli Sinir Ağları (RNN), Uzun Kısa Süreli Bellek (LSTM), Çift Yönlü LSTM (BiLSTM), Kapılı Yinelemeli Birim (GRU) ve Evrişimli Sinir Ağı (CNN) kullanarak 24 saat sonraki PM10 konsantrasyonunu tahmin etmek için bir yöntem önermektedir. İlk olarak, yüksek performanslı modelleri belirlemek için dalgacık tipleri kullanılır ve bu modeller arasında derin öğrenme tekniklerinde iyi performans gösterenler belirlenir. Modeller karşılaştırılırken RMSE, MAE ve R2 değerleri gibi performans parametreleri dikkate alınmıştır. En iyi model, en düşük RMSE (1,908), MAE (0,994), ve en yüksek R2 ()'ye sahip Dmey dalgacık dönüşümü kullanılan DWT-GRU-BiLSTM modeli olmuştur. Bu çalışmada kullanılan model, gelecekteki araştırmalarda bölgesel PM konsantrasyon seviyelerini doğru bir şekilde tahmin etmek için kullanılabilir. Sürdürülebilir akıllı çevre sistemleri kurmak ve önleyici eylemlerde bulunabilen kurum ve kuruluşların doğru zamanda harekete geçmesine yardımcı olmak için, uygulanan bu hibrit derin öğrenme algoritmalarının doğru tahminleme yeteneğinden yararlanılabilir. Hava kirliliğinin arttığı ve insan sağlığı için tehdit oluşturduğu mevcut ortamda, alınabilecek her türlü önleyici tedbir, tüm canlılar için yaşam kalitesini iyileştirecek, hava kirliliğinden kaynaklanan sağlık sorunlarını ve ölümleri azaltacak ve nihayetinde refah derecesini yükseltecektir. Ayrıca, bu bulgular İstanbul gibi yoğun nüfuslu, endüstriyel ve yoğun trafiğe sahip şehirlerin hava kalitesiyle ilgili ikna edici ampirik kanıtlar sunabilir.",
            "source_url": "https:\/\/openalex.org\/W7219471140",
            "pdf_url": "https:\/\/avesis.yildiz.edu.tr\/file?id=4447b2e1-fa87-4912-a948-b76c5deb0c71",
            "doi": "",
            "handle": "",
            "repository_name": "Yildiz Technical University - AVESIS",
            "source_record_id": "W7219471140",
            "other_sources": "",
            "verification_status": "needs_review",
            "created_at": "2026-11-15 16:52:48",
            "updated_at": "2026-11-15 16:52:48"
        },
        {
            "id": 347,
            "title": "Deep learning-based damage detection on cherry leaves",
            "title_ar": "",
            "title_en": "",
            "author": "Hazel Bozcu",
            "supervisor": "",
            "degree_type": "unspecified",
            "degree_evidence": "",
            "university": "",
            "university_source": "",
            "college": "",
            "department": "",
            "country": "Turkey",
            "governorate": "",
            "publication_year": 2024,
            "language": "tr",
            "research_domain": "deep-learning",
            "research_subdomain": "cnn",
            "categories": "deep-learning; cnn; rnn",
            "keywords": "",
            "abstract": "Bu çalışmada tarımsal üretimde verim artışını sağlamak amacıyla kiraz yapraklarındaki hastalıkların tespiti için derin öğrenme yöntemlerinin kullanılması amaçlanmaktadır. Günümüzde yaprak hastalıkların tespiti uzman personel tarafından yapılabilmekte ancak uzun sürmektedir. Ayrıca, bu uzmanların sayısı yetersiz olabilir, bu da doğru tespitin zorluğuna işaret etmektedir. Bu nedenle, kiraz üretimini artırmak ve hastalıkları erken teşhis etmek için derin öğrenme temelli hastalık tespit uygulamalarının kullanımı bu çalışmanın ana amacıdır. Çalışmada iki farklı veri seti üzerinde kiraz yaprak hastalığı tespiti için farklı derin öğrenme modellerinin performansı incelenmiştir. Ortalama sonuçlara göre, MobileNet-V2 modeli .68 doğruluk ve .83 hassasiyet ile yüksek bir performans sergilemiş, Inception-V3 modeli .17 F1-Skor ile tatmin edici sonuçlar vermiştir. Önerilen CNN modeli .83 F1- Skor ile dikkat çekmiş, önerilen CNN + LSTM modeli .33 geri çağırma değeri ile tatmin edici sonuçlar sunmuş ve önerilen CNN + BiLSTM modeli .33 F1-Skor ile yüksek bir performans göstermiştir. En iyi sonuçlar kategorisinde, MobileNet-V2 modeli .03 doğruluk oranı ve .33 F1- Skor ile en iyi sonuçları vermiş, Inception-V3 modeli .00 doğruluk ve .33 hassasiyet ile tatmin edici bir performans sergilemiştir. Önerilen CNN modeli .66 F1-Skor ile iyi bir performans sergilemiş, önerilen CNN + LSTM modeli .67 doğruluk ve .67 F1-Skor ile en iyi sonuçları vermiş ve önerilen CNN + BiLSTM modeli .66 F1-Skor ile yüksek bir performans göstermiştir. Bu sonuçlar, kiraz yaprak hastalığı tespiti için derin öğrenme modellerinin umut veren sonuçlar elde ettiğini göstermektedir. Çalışma kapsamında en iyi sonuçlar MobileNet-V2 ve önerilen CNN + LSTM modelleri tarafından elde edilmiştir. Bu çalışmanın, çeşitli veri setleri kullanılarak güvenirliliği arttırılabilir, farklı derin öğrenme yöntemleri kullanılarak hastalık tespit başarım oranları yükseltilebilir ve hastalık tespit süreleri düşürülebilir.",
            "source_url": "https:\/\/openalex.org\/W7218050026",
            "pdf_url": "https:\/\/acikkaynak.bilecik.edu.tr\/bitstreams\/629b0f54-7406-4380-bfcc-442022f926d5\/download",
            "doi": "",
            "handle": "",
            "repository_name": "Bilecik Şeyh Edebali University Institutional Repository",
            "source_record_id": "W7218050026",
            "other_sources": "",
            "verification_status": "needs_review",
            "created_at": "2026-11-15 16:52:48",
            "updated_at": "2026-11-15 16:52:48"
        },
        {
            "id": 484,
            "title": "Performance comparison of traditional machine learning and deep learning methods in plant disease detection",
            "title_ar": "",
            "title_en": "",
            "author": "Musa Çetinkaya",
            "supervisor": "",
            "degree_type": "unspecified",
            "degree_evidence": "",
            "university": "",
            "university_source": "",
            "college": "",
            "department": "",
            "country": "Turkey",
            "governorate": "",
            "publication_year": 2024,
            "language": "tr",
            "research_domain": "medical-ai",
            "research_subdomain": "object-detection",
            "categories": "machine-learning; deep-learning; computer-vision; medical-ai; ai-applications; cnn; rnn; object-detection; ai-agriculture",
            "keywords": "",
            "abstract": "Geleneksel makine öğrenmesi (GMÖ) ve derin öğrenme (DÖ), yapay zeka alanında iki önemli yaklaşımdır. GMÖ, tahmine dayalı modeller oluşturmak için destek vektör makineleri (DVM), k-en yakın komşular, karar ağaçları gibi çeşitli algoritmalar kullanır. Bu yaklaşımda özellik çıkartımı, algoritmanın başarımını etkileyen en önemli unsurdur. GMÖ küçük veri kümelerinde başarılı sonuçlar elde ederken karmaşık veriler ve büyük ölçekli veri kümelerinde aynı başarıyı gösteremezler. Makine öğrenmesinin bir alt kümesi olan DÖ ise ham veriden hiyerarşik özellik temsillerini otomatik olarak öğrenmek için çok katmanlı sinir ağlarını kullanır. Finans, endüstri, tıp gibi alanlarda ve görüntü sınıflandırma, doğal dil işleme ve ses-tanıma işleme gibi çalışmalarda çok iyi sonuçlar elde ederken büyük miktarda veri ve hesaplama kaynağı gerektirir. Bu tez çalışması GMÖ ve DÖ modellerinin tahmin performansını karşılaştırmak amacıyla bitki hastalıklarının bilgisayar destekli teşhisini sunmaktadır. Bitki hastalıklarının tespiti, modern tarımda ürün kayıplarını en aza indirmek ve gıda güvenliğini sağlamak açısından çok önemlidir. Bitki hastalıklarının erken ve doğru bir şekilde belirlenmesi pestisit kullanımını azaltabilir, mahsul verimini artırabilir ve ürün kalitesini iyileştirebilir. Bu amaçla, çalışmada geleneksel yöntemlerden Lineer Regresyon, DVM ve Rastgele Orman ile DÖ yöntemlerinden Evrişimli Sinir Ağı, LSTM, YOLOv8 ve VGG16 algoritmalarının performansları karşılaştırılmıştır. Elde edilen sonuçlar GMÖ’de DVM için ile en yüksek olmak üzere ortalama ,9 doğruluk elde edilirken DÖ’de CNN için doğruluk en yüksek ve ortalama ,8 olarak elde edilmiştir.",
            "source_url": "https:\/\/openalex.org\/W7217036510",
            "pdf_url": "https:\/\/acikkaynak.bilecik.edu.tr\/bitstreams\/aceb2775-96b9-48c5-8354-231a1e200291\/download",
            "doi": "",
            "handle": "",
            "repository_name": "Bilecik Şeyh Edebali University Institutional Repository",
            "source_record_id": "W7217036510",
            "other_sources": "",
            "verification_status": "needs_review",
            "created_at": "2026-11-15 16:52:50",
            "updated_at": "2026-11-15 16:52:50"
        },
        {
            "id": 492,
            "title": "Detection of diseases in rice plant with deep learning methods and artificial network based NDVI values",
            "title_ar": "",
            "title_en": "",
            "author": "İrfan Ökten",
            "supervisor": "",
            "degree_type": "unspecified",
            "degree_evidence": "",
            "university": "",
            "university_source": "",
            "college": "",
            "department": "",
            "country": "Turkey",
            "governorate": "",
            "publication_year": 2022,
            "language": "tr",
            "research_domain": "medical-ai",
            "research_subdomain": "cnn",
            "categories": "deep-learning; medical-ai; cnn",
            "keywords": "",
            "abstract": "Dünya çapında gıda tüketimi göz önüne alındığında pirincin önemli bir yere sahip olduğu görülür. Çeltik bitkisi, buğdaygiller ailesinden mısır ve buğdaydan sonra en fazla ekimi yapılan bitkidir. Çeltik üretiminde çeşitli zararlılardan ve hastalıklardan dolayı üretim kaybı yaşanmaktadır. Genellikle yaşanan bu kayıplara neden olan üç temel hastalık bulunmaktadır: yaprak patlaması (Leaf Blast - Pyricularia grisea), kahverengi lekeler (Brown Spot - Helminthosporium oryzae) ve beyaz noktalar (Hispa - Dicladispa armigera). Tüm bu hastalık belirtileri bitkinin yaprağında bulunmaktadır. Yaprak görüntülerinden bitki hastalığının otomatik bir şekilde teşhisi geliştirme aşamasında olan bir konudur. Bu tez kapsamında çeltik bitkisine ait bu üç hastalığı tespit etmek için derin öğrenme modellerinden Evrişimli Sinir Ağı (CNN: Convolution Neural Networks) kullanılmıştır. Çalışmada kullanılan 3341 adet çeltik bitkisi yaprağına ait RGB veri seti Kaggle sitesinden elde edilmiştir. Çeltik bitkisinin RGB yaprak görüntülerinden derin öğrenme modeli ile çeltik bitkisine ait üç önemli hastalık (Brown Spot, Leaf Blast ve Hispa) tespiti yüksek doğruluk oranlarıyla elde edilmiştir. Çeltik bitkisine ait hastalıkların erken tespiti için CNN modelinin deneyler sonucu bulunan en uygun hiper parametreler ile eğitimi gerçekleştirilmiştir. Ağın eğitimi için çeltik bitkisine ait RGB görüntüler kullanılarak ,78 oranında doğruluk elde edilmiştir. Tarım alanlarında ürünlerin sağlık durumlarının incelenmesinde genellikle multispektral kameralardan ve uydu görüntülerinden elde edilen Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NDVI: Normalized Difference Vegetation Index) değerleri kullanılmaktadır. NDVI verilerinin elde edilmesinde kullanılan uzaktan algılama tekniklerinde yüksek maliyet ve hava durumunun uygunluğu öne çıkmaktadır. Diğer alternatif olan insansız hava araçlarına (İHA) entegre edilmiş multispektral kamera sistemlerinin maliyetlerinin yüksek olması ve uzman gereksinimine ihtiyaç duyulması bir başka sorundur. Bu tez çalışmasında ikinci olarak multispektral kameraların yerine standart RGB görüntü veren kamera sistemlerinden NDVI değerini tahmin etmek (nNDVI: Neural network-based Normalized Difference Vegetation Index) için yeni bir yapay sinir ağı modeli önerilmiştir. Önerilen ağın eğitim ve testlerinde kullanılan veri seti İsviçre'de bir tarım alanından ve Togo'da bir çiftlikten multispektral kamera ile alınan görüntülerden elde edilmiştir. Bu model sayesinde ,013 doğruluk oranı ile RGB görüntülerinden NDVI verileri elde edilmiştir. Son olarak bu tez kapsamında çeltik bitkisinin standart RGB görüntülerinden nNDVI verileri elde edilerek, bu veriler ile derin öğrenme modelinin eğitimi yapılmış ve ,97'lik bir doğruluk oranına ulaşılmıştır. Çeltik bitkisindeki yaprak görüntüleri ile hastalığının tespiti için elde edilen bu başarım oranı, yöntemin uygulanabilirliğini göstermektedir.",
            "source_url": "https:\/\/openalex.org\/W7217327925",
            "pdf_url": "https:\/\/acikkaynak.bilecik.edu.tr\/bitstreams\/7f64b62f-1f4b-408b-8fad-6e1b1f3cf42b\/download",
            "doi": "",
            "handle": "",
            "repository_name": "Bilecik Şeyh Edebali University Institutional Repository",
            "source_record_id": "W7217327925",
            "other_sources": "",
            "verification_status": "needs_review",
            "created_at": "2026-11-15 16:52:50",
            "updated_at": "2026-11-15 16:52:50"
        },
        {
            "id": 637,
            "title": "Development of deep learning based perception module for autonomous driving",
            "title_ar": "",
            "title_en": "",
            "author": "Mustafa Alper Balım",
            "supervisor": "",
            "degree_type": "unspecified",
            "degree_evidence": "",
            "university": "",
            "university_source": "",
            "college": "",
            "department": "",
            "country": "Turkey",
            "governorate": "",
            "publication_year": 2025,
            "language": "tr",
            "research_domain": "deep-learning",
            "research_subdomain": "",
            "categories": "deep-learning; robotics",
            "keywords": "",
            "abstract": "Otonom araçlar, günümüzde güvenli, konforlu ve sürdürülebilir ulaşım çözümleri sunma potansiyeli sayesinde hızla gelişmekte ve geleceğin mobilite vizyonunu şekillendirmektedir. Otonom araçların temelini oluşturan yazılım ve donanım mimarisi; sensör donanımları, veri işleme altyapısı ve karar verme algoritmalarını içeren bütüncül bir yapıdan oluşmaktadır. Bu mimaride LiDAR, kamera ve RADAR gibi sensörlerin entegrasyonu ve yüksek hesaplama kapasiteli işlemciler, çevresel algılamanın doğruluğunu doğrudan etkilemektedir. Otonom sistemlerde en kritik katmanlardan biri olan algılama katmanı, çevredeki nesneleri doğru ve hızlı şekilde tespit ederek sürüş kararlarının temelini oluşturur. Bu katmanın başarımı; kullanılan sensörlerin çözünürlüğü, kanal sayısı, veri işleme teknikleri ve öğrenme algoritmalarının başarısına bağlı olarak şekillenir. Ancak, derin öğrenme tabanlı 3B nesne tespiti modelleri, eğitim ve test veri kümeleri arasındaki farklılıklardan kaynaklanan alan farkı (domain shift) nedeniyle farklı senaryolarda ciddi performans düşüşleri yaşamaktadır. Bu çalışmada, alan farkı problemini çözmek amacıyla altı farklı modern alan adaptasyonu yöntemi (UDA, Bi3D, CLUE, ST3D, SESS ve Uni3D) sistematik olarak değerlendirilmiş ve karşılaştırılmıştır. Çalışmalarda, açık (public) veri kümeleri olan Waymo ve nuScenes'in yanı sıra, KARSAN prototip otonom minibüsü ile toplanan yüksek çözünürlüklü gerçek dünya veri seti ve farklı LiDAR konfigürasyonlarına sahip özel bir simülasyon veri seti kullanılmıştır. Deneysel sonuçlar, SESS ve Uni3D yöntemlerinin, alan farkına bağlı performans kayıplarını önemli ölçüde azalttığını ve yüksek genel doğruluk elde ettiğini ortaya koymuştur. Ayrıca, LiDAR çözünürlüğü ve kanal sayısının performans üzerindeki etkileri detaylı şekilde analiz edilerek sensör konfigürasyonlarının sistem başarımına katkıları gösterilmiştir. Sonuç olarak, bu tez çalışması, otonom araçlarda güvenli ve genellenebilir algılama katmanı geliştirilmesine katkı sağlayacak kapsamlı bir alan adaptasyonu kıyaslaması sunmaktadır. Bulguların, hem akademik araştırmalarda hem de endüstriyel uygulamalarda önemli pratik faydalar sunacağı öngörülmektedir.",
            "source_url": "https:\/\/openalex.org\/W7218252149",
            "pdf_url": "",
            "doi": "",
            "handle": "",
            "repository_name": "Bursa Technical University Institutional Repository",
            "source_record_id": "W7218252149",
            "other_sources": "",
            "verification_status": "needs_review",
            "created_at": "2026-11-15 16:52:51",
            "updated_at": "2026-11-15 16:52:51"
        },
        {
            "id": 799,
            "title": "Privacy-based approach to brain MRI: Federated learning",
            "title_ar": "",
            "title_en": "",
            "author": "ŞEVKET AY ; Enstitüler, Lisansüstü Eğitim Enstitüsü, Uluslararası İşletmecilik ve Ticaret Ana Bilim Dalı",
            "supervisor": "",
            "degree_type": "unspecified",
            "degree_evidence": "",
            "university": "",
            "university_source": "",
            "college": "",
            "department": "",
            "country": "Turkey",
            "governorate": "",
            "publication_year": 2023,
            "language": "tr",
            "research_domain": "medical-ai",
            "research_subdomain": "medical-imaging",
            "categories": "deep-learning; medical-ai; responsible-ai; cnn; medical-imaging; federated-learning; fairness",
            "keywords": "",
            "abstract": "İÇİNDEKİLER BEYAN........................................................................................................................ ii TEŞEKKÜR ................................................................................................................ i İÇİNDEKİLER .......................................................................................................... ii KISALTMALAR ...................................................................................................... iv SİMGELER ............................................................................................................... vi TABLOLAR LİSTESİ............................................................................................viii ŞEKİLLER LİSTESİ................................................................................................ ix ÖZET........................................................................................................................... x ABSTRACT............................................................................................................... xi BÖLÜM 1. GİRİŞ .......................................................................................................................... 1 BÖLÜM 2. DERİN ÖĞRENME................................................................................................... 7 2.1. Derin Öğrenme .................................................................................................. 7 2.1.1. Evrişimli sinir ağları (CNN) .................................................................... 11 BÖLÜM 3. FEDERE ÖĞRENME ............................................................................................. 19 3.1. Şifreleme Yöntemleri ...................................................................................... 21 3.1.1. Homomorfik şifreleme............................................................................. 21 3.1.2. Diferansiyel gizlilik.................................................................................. 23 3.2. Haberleşme Mimarileri.................................................................................... 25 3.2.1. Merkezi haberleşme mimarisi.................................................................. 26 3.2.2. Merkezi olmayan haberleşme mimarisi ................................................... 27 3.2.3. Hibrit haberleşme mimarisi...................................................................... 29 3.3. İletişim Protokolü............................................................................................ 30 3.4. Federe Öğrenme Türleri.................................................................................. 31 iii 3.4.1. Yatay Federe öğrenme ............................................................................. 31 3.4.2. Dikey federe öğrenme.............................................................................. 33 3.4.3. Bölünmüş öğrenme .................................................................................. 35 3.5. Optimizasyon Algoritmaları............................................................................ 36 3.5.1. Federe ortalama alma ............................................................................... 36 3.5.2. QFedAvg.................................................................................................. 38 3.5.3. Hata toleranslı Federe ortalama ............................................................... 40 3.6. Veri Bölümleme .............................................................................................. 42 3.7. Sıkıştırma Metotları......................................................................................... 45 3.8. Federe Öğrenme Avantajları ........................................................................... 46 3.9. Federe Öğrenme Zorlukları............................................................................. 49 3.10. Federe Öğrenme Frameworkleri ................................................................... 53 3.10.1. Flower .................................................................................................... 53 BÖLÜM 4. DENEYSEL ÇALIŞMA .......................................................................................... 55 4.1. Veri Kümesi .................................................................................................... 55 4.2. İstemciler Arası Veri Paylaşımı ...................................................................... 57 4.3. Evrişimli Sinir Ağı’nın Oluşturulması ve Uygulanması ................................. 58 4.4. Eğitim.............................................................................................................. 63 4.5. Deneysel Sonuçlar........................................................................................... 68 4.5.1. FedAvg strajesine göre istemci ve sunucu modelleri gelişimi................. 71 4.5.2.",
            "source_url": "https:\/\/openalex.org\/W7132728446",
            "pdf_url": "",
            "doi": "",
            "handle": "",
            "repository_name": "Sakarya University of Applied Sciences Institutional Repository",
            "source_record_id": "W7132728446",
            "other_sources": "",
            "verification_status": "needs_review",
            "created_at": "2026-11-15 16:52:53",
            "updated_at": "2026-11-15 16:52:53"
        },
        {
            "id": 995,
            "title": "The development of a face recognition system based on deep learning",
            "title_ar": "",
            "title_en": "",
            "author": "FURKAN AKIN",
            "supervisor": "",
            "degree_type": "unspecified",
            "degree_evidence": "",
            "university": "Fırat University",
            "university_source": "repository_host",
            "college": "",
            "department": "",
            "country": "Turkey",
            "governorate": "",
            "publication_year": 2019,
            "language": "tr",
            "research_domain": "computer-vision",
            "research_subdomain": "face-recognition",
            "categories": "deep-learning; computer-vision; face-recognition",
            "keywords": "",
            "abstract": "Biyometri, insanların fiziksel ve davranışsal özelliklerini inceleyerek birbirinden ayırt edilebilmesini sağlayan bilim dalıdır. Biyometrik sistemler ise, insanların kimliklerini tespit etmek amacıyla, biyometrik özelliklerini inceleyerek oluşturulmuş sistemlerdir. Yüz tanıma, biyometrik sistemlerin alanlarından biridir ve kişileri belirlemek için yüzdeki göz, burun, ağız gibi ayrıntıları kullanır. Kamu güvenliğiyle ilgili artan endişeler, fiziksel ve mantıksal erişim için kimlik doğrulama gereksinimi ortaya çıkarmıştır. Bunun yanı sıra akıllı cihazların yönetimi ve yüz analizi ile sınıflandırma alanları otomatik yüz tanıma konusuna olan ilgiyi artırmaktadır. Literatürde yüz tanıma sistemlerinin geliştirilmesi hakkında birçok çalışma yapılmıştır. Bu tezde, her geçen gün kullanımı yaygınlaşan derin öğrenme yöntemlerinden bahsedilmiş ve bu yöntemlerle yüz tanıma siteminin geliştirilmesi amaçlanmıştır. Kullanılan veri setinden farklı örnek kümeleri alınmış ve bu örnekler ile hiper-parametreler denenmiştir. Başarımı arttıran hiper-parametreler kullanılarak cinsiyet ayrımı ve yüz tanıma uygulamaları yapılmıştır. Cinsiyet ayrımı uygulamasında başarı ,25, yüz tanıma uygulamasında ise başarı ,25'e kadar iyileştirilmiştir. Anahtar Sözcükler: Biyometrik Sistemler, Derin Öğrenme, Yüz Tanıma Sistemleri.",
            "source_url": "https:\/\/openalex.org\/W7217158709",
            "pdf_url": "",
            "doi": "",
            "handle": "",
            "repository_name": "DSpace - FIRAT (Fırat University)",
            "source_record_id": "W7217158709",
            "other_sources": "",
            "verification_status": "needs_review",
            "created_at": "2026-11-15 16:52:57",
            "updated_at": "2026-11-15 16:52:57"
        },
        {
            "id": 1005,
            "title": "Development of deep learning-based 3D face fraud prevention system for face recognition systems",
            "title_ar": "",
            "title_en": "",
            "author": "Zeynep Koyun",
            "supervisor": "",
            "degree_type": "unspecified",
            "degree_evidence": "",
            "university": "Fırat University",
            "university_source": "repository_host",
            "college": "",
            "department": "",
            "country": "Turkey",
            "governorate": "",
            "publication_year": 2022,
            "language": "tr",
            "research_domain": "medical-ai",
            "research_subdomain": "medical-imaging",
            "categories": "deep-learning; computer-vision; medical-ai; ai-applications; face-recognition; video-analysis; medical-imaging; ai-cybersecurity",
            "keywords": "",
            "abstract": "Biyometri, kişileri fiziksel veya davranışsal özelliklerine göre doğrulamak, tanımak ve tanımlamak için kullanılan süreçleri ifade etmektedir. Biyometrik tanımlayıcılar için veri alınabilecek fizyolojik özellikler parmak izleri, avuç içi damarları, avuç içi izleri, yüz, DNA, iris, retina ve el geometrisini içermektedir. En popüler biyometrik tanımlayıcı olan yüz tanıma sistemleri temel olarak, görüntülerdeki yüz bölgelerinin makine öğrenmesi algoritmaları kullanılarak tespit edilip daha önce sistemde kayıtlı kişiler ile eşleştirme yapılarak otomatik kimlik doğrulama sistemi olarak görev yapmaktadır. Yüz tanıma teknolojileri, iris ve parmak izi tanıma gibi diğer teknolojilere ve biyometrik tanımlayıcılara göre kullanışlı, temassız ve kolay uygulanabilir olmasından dolayı pek çok avantaj sağlamaktadır. Ne yazık ki, bir biyometrik veri çalındığında veya kopyalandığında, biyometrinin avantajları dezavantaja dönüşmektedir. Kayıtlı bir kullanıcının bir veya daha fazla fotoğrafının\/videosunun internet üzerinden kolayca ve ucuza elde edilebildiği veya kullanıcının rızası veya fiziksel teması olmadan bile bir kamera kullanarak sadece yüzünün yakalandığı yüz tanıma sistemlerinde bu risk diğer biyometrik verilere göre çok daha yüksektir. Canlılık tespit algoritmaları ile destekli yüz tanıma sistemleri güvenlik sektöründe çok önemli ve kritik bir ihtiyaç olarak görülmektedir. Bu tez çalışmasının amacı, yüz tanıma sistemlerinin güvenirlilik ve doğruluk hassasiyetini en üst düzeye çıkaracak yapay zeka teknolojileri ve derin öğrenme algoritmaları ile yüz sahteciliği tespit algoritmaları geliştirilmesidir. Gerçekleştirilen uygulamaların sonuçları incelendiğinde ,5 başarı performansı ile yüz tanıma sistemlerini aldatmaya yönelik saldırılardan etkilenmeyen stabil, yüksek performanslı ve yüksek doğruluklu bir model elde edilmiştir.",
            "source_url": "https:\/\/openalex.org\/W7217920640",
            "pdf_url": "",
            "doi": "",
            "handle": "",
            "repository_name": "DSpace - FIRAT (Fırat University)",
            "source_record_id": "W7217920640",
            "other_sources": "",
            "verification_status": "needs_review",
            "created_at": "2026-11-15 16:52:57",
            "updated_at": "2026-11-15 16:52:57"
        },
        {
            "id": 1295,
            "title": "Analyzes of Braİn Blood Vessels Using Deep Learning Neural Networks",
            "title_ar": "",
            "title_en": "",
            "author": "Tuğçe Göksu",
            "supervisor": "",
            "degree_type": "unspecified",
            "degree_evidence": "",
            "university": "FSM Vakif University",
            "university_source": "repository_host",
            "college": "",
            "department": "",
            "country": "Turkey",
            "governorate": "",
            "publication_year": 2022,
            "language": "tr",
            "research_domain": "computer-vision",
            "research_subdomain": "image-segmentation",
            "categories": "deep-learning; computer-vision; cnn; image-segmentation",
            "keywords": "",
            "abstract": "Çok katmanlı ileri beslemeli bir yapay sinir ağı modeli olan evrişimsel sinir ağı (ing: Convolutional Neural Network - CNN) özellikle görüntüler üzerinden özellik çıkarılması ve analizlerinin yapılması aşamasında sıklıkla kullanılmaktadır. Yapılan bu tez çalışmasında, iki boyutlu olarak elde edilen gerçek beyin damar ağı görüntüleri kullanılarak, derin öğrenme sinir ağı tabanlı otomatik damar ağı bölütlemesi gerçekleştirilen bir sistem ortaya konulmuştur. Görüntülerdeki damar ağı bölütlemesi için üç farklı derin öğrenme sinir ağı mimarisi kullanılmıştır. Kullanılan derin öğrenme sinir ağı mimarileri sırası ile Otomatik kodlayıcı (AutoEncoder), U-Net ve ResNet+U-Net ağlarıdır. Otomatik bölütleme adımında kullanılan derin öğrenme sinir ağı mimarilerinin eğitimi için oluşturulan veri setinde, eğitim için 1806 adet test için ise 34 adet görüntü kullanılarak eğitim ve test işlemi tamamlanmıştır. Üç ağ mimarisinden elde edilen eğitilmiş ağ modeli ile yapılan test işleminde en yüksek doğruluk başarım değerini ,31 ile ResNet+U-Net ağı vermiştir. Bölütleme işleminden sonra, vasküler analiz aşamasından önce, bölütlenmiş görüntüler üzerinde ikilileştirme (ing: binarization) işlemi uygulanarak, bölütlenmiş görüntülerdeki sadece beyin damar ağının belirginleştirilmesi sağlanmıştır. Tez çalışmasının bir sonraki aşamasında ise bölütlenmiş beyin damar ağı görüntüleri kullanılarak vasküler analiz işlemi gerçekleştirilmiştir. Yapılan vasküler analiz ile beyin damar ağının, vasküler alan fraksiyonu, dallanma noktası sayısı (ing: branching point), dal sayısı (ing: branch number) ve vasküler uzunluk (damar uzunluğu) metrikleri hesaplanmıştır. Elde edilen sonuçlar, medikal alanda kullanılan angiotool ve fiji uygulamaları ile karşılaştırılmıştır. Doğruluk, birleşimlerin kesişimi (ing: Intersection Over Union-IoU), zar katsayısı (ing: dice coefficient), kesinlik (ing: precision) ve duyarlılık (ing: recall) değerlendirme kriterleri ile değerlendirmeler yapılmıştır. Tez çalışması kapsamında yazılan uygulama, var olan analiz uygulamaları (Angiotool ve Fiji makrosu) ile aynı veri seti kullanılarak test edilerek sonuçları karşılaştırılmıştır. Analiz sonuçları, tez çalışmasında yapılan uygulamanın medikal alanda kullanılan diğer uygulamalara kıyasla değerlendirme metriklerine göre daha iyi sonuçlar verdiğini göstermektedir.",
            "source_url": "https:\/\/openalex.org\/W7140350108",
            "pdf_url": "https:\/\/acikerisim.fsm.edu.tr\/bitstreams\/adbd5ff2-2ec2-4696-a4f1-5e9c2718c519\/download",
            "doi": "",
            "handle": "",
            "repository_name": "DSpace@FSM (FSM Vakif University)",
            "source_record_id": "W7140350108",
            "other_sources": "",
            "verification_status": "needs_review",
            "created_at": "2026-11-15 16:53:00",
            "updated_at": "2026-11-15 16:53:00"
        }
    ]
}