Browsing by Author "Karatas, Hakan"

Now showing 1 - 2 of 2

Analyzing the Performance of Convolutional Neural Networks and Transformer Models in Automated Bone Fracture Detection
(Muş Alparslan Üniversitesi, 2024) Bingol, Ece; Demirel, Semih; Demirel, Semih; Urfalı, Ataberk; Urfalı, Ataberk; Bozkır, Ömer Faruk; Karatas, Hakan
İnsan varlığı için hayati önem taşıyan iskelet ve kas sisteminin en önemli bileşeni kemiklerdir. Bir kemiğin kırılması belirli bir darbeden veya şiddetli bir geriye doğru hareketten kaynaklanabilir. Bu çalışmada, kemik kırığı tespiti, evrişimli sinir ağı (ESA) tabanlı modeller olan Faster R-CNN ve RetinaNet, ayrıca bir transformer tabanlı model olan DETR (Detection Transformer) kullanılarak gerçekleştirilmiştir. Her model için farklı omurga ağları kullanılarak detaylı bir inceleme yapılmıştır. Bu çalışmanın birincil katkıları, CNN ve transformatör tasarımları arasındaki performans farklılıklarının yöntemsel bir değerlendirmesidir. 5145 görüntüden oluşan açık kaynaklı bir veri setinde eğitilen modeller, 750 test görüntüsünde test edilmiştir. Sonuçlara göre, RetinaNet/ResNet101 modeli diğer modellere göre daha üstün performans sergileyerek 0.901 mAP50 oranına ulaşmıştır. Elde edilen sonuçlar, eğitilen modellerin bilgisayar destekli tanı (BDT) sistemlerinde kullanılabilecek vaat edici sonuçlar sunmaktadır.
Gerçek Zamanlı Polip Tespiti: YOLOv5 ve YOLOv6'nın Hız ve Performans Analizi
(2025) Demirel, Semih; Abdulkadir,; Karatas, Hakan; Çelikten, Azer; Bingol, Ece; Akpulat, Andac; Gültekin, İdris
Kolorektal kanser, kolonoskopi sırasında gözden kaçan poliplerin bilgisayar destekli teşhis sistemi ile tespit edilmesiyle potansiyel olarak önlenebilir. Bu nedenle, endoskopi uzmanlarına yardımcı olmak amacıyla, polipleri gerçek zamanlı olarak tespit eden bir teşhis algoritması geliştirildi. Polip tespiti için you look only once v5 (yolov5) ve you look only once v6 (yolov6) modelleri kullanıldı. Açık kaynaklı verilere ek olarak, nesne tespiti modellerini eğitmek için yeni bir özel veri seti de kullanıldı. Sonuçlara göre, yolov5x ve yolov6l sırasıyla 0.896 ve 0.913 mean average precision 50 (mAP50) oranlarına ulaştı. Yolov5x ve yolov6l karşılaştırıldığında, yolov5x'in hassasiyet açısından daha iyi olduğu, yolov6l'nin ise duyarlılık açısından daha iyi olduğu sonucuna varıldı. Modeller diğer çalışmalardaki sonuçlarla karşılaştırıldığında, yolov5x 0.876 f1-skoru oranıyla diğer çalışmalardan daha iyi performans sergilerken, yolov6l 0.893 duyarlılık oranıyla diğer çalışmaları geride bıraktı.