{
    "exported_at": "2026-11-16 00:02:57",
    "count": 2,
    "records": [
        {
            "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"
        }
    ]
}