Yazar "Akat, Ezgisu" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • [ X ]
    Öğe
    A hybrid transfer learning model for brain tumor classification
    (Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi, 2024) Akat, Ezgisu; Yıldırım, Serdar; Kaya, Yasin
    Beyin tümörleri dünya çapında en yaygın ve ölümcül hastalıklardan biridir. Hastanın yaşam beklentisini uzatmak için beyin tümörlerini erken aşamada tespit etmek çok önemlidir. Ancak, beyin tümörlerini manuel olarak sınıflandırmak zor ve zaman alıcı bir iştir. Bu çalışmada beyin tümörlerini otomatik olarak sınıflandırmak için hibrit transfer öğrenme modeli önerilmektedir.Önerilen yaklaşımın dört adımı ön işleme ve veri artırma, derin özellik çıkarımlarının birleşimi, ince ayar ve sınıflandırmadır. Önerilen model, halka açık dört genel veri setinde doğrulanmıştır: Br35H, Nickparvar, Figshare ve Sartaj. Önerilen model tüm veri setlerinde en yüksek doğruluk değerlerine ulaştı: Br35H'de %99.66, Figshare'de %97.56, Nickparvar'da %97.08, ve Sartaj'da %93.74. Önerilen model, beyin tümörlerinin sınıflandırılmasında diğer modern modellere göre daha etkili bir performansa sahiptir.
  • [ X ]
    Öğe
    Fusion-Brain-Net: A Novel Deep Fusion Model for Brain Tumor Classification
    (Wiley, 2025) Kaya, Yasin; Akat, Ezgisu; Yildirim, Serdar
    Problem: Brain tumors are among the most prevalent and lethal diseases. Early diagnosis and precise treatment are crucial. However, the manual classification of brain tumors is a laborious and complex task. Aim: This study aimed to develop a fusion model to address certain limitations of previous works, such as covering diverse image modalities in various datasets. Method: We presented a hybrid transfer learning model, Fusion-Brain-Net, aimed at automatic brain tumor classification. The proposed method included four stages: preprocessing and data augmentation, fusion of deep feature extractions, fine-tuning, and classification. Integrating the pre-trained CNN models, VGG16, ResNet50, and MobileNetV2, the model enhanced comprehensive feature extraction while mitigating overfitting issues, improving the model's performance. Results: The proposed model was rigorously tested and verified on four public datasets: Br35H, Figshare, Nickparvar, and Sartaj. It achieved remarkable accuracy rates of 99.66%, 97.56%, 97.08%, and 93.74%, respectively. Conclusion: The numerical results highlight that the model should be further investigated for potential use in computer-aided diagnoses to improve clinical decision-making.