Yazar "Gürsoy, Ercan" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • [ X ]
    Öğe
    A mobilenet based CNN model with a novel fine tuning mechanism for COVID-19 infection detection
    (Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi, 2023) Gürsoy, Ercan; Kaya, Yasin
    Aralık 2019'da Çin'in Wuhan kentinde ortaya çıkan COVID-19 adlı yeni bir koronavirüs, dünya çapında hızla yayılması ve ciddi akut solunum sendromuna neden olması nedeniyle çok tehlikeli bir hal aldı. Ocak 2022'de bildirildiği üzere, virüs dünya çapında 349.641.119 kişiye bulaştı ve 5.592.266'dan fazla ölüme neden oldu. Birkaç farklı teşhis yöntemi olmasına rağmen, polimeraz zincir reaksiyonu (PCR), COVID-19 patojeninin laboratuvar teşhisi için ana standart olarak kabul edilir. Ancak test sonuçları birkaç saat ile iki gün arasında elde edilmesi erken müdahalenin önündeki en büyük engeldir. Bu yüzden araştırmacılar, hastalığı teşhis etme süresini kısaltmak için röntgen görüntülerini kullanan alternatif yöntemlere odaklandılar. Bu çalışma, göğüs röntgeni görüntülerini kullanarak COVID-19 hastalığını saptamak için yeni ince ayar mekanizmalarına sahip bir derin aktarım öğrenme yaklaşımı önermektedir. Model, MobileNetV2 mimarisine dayanmaktadır. Önerilen modeli değerlendirmek için, üç sınıf içeren halka açık iki veritabanından birleştirilmiş bir veri seti kullandık: normal, COVID-19 ve pnömoni X-ray görüntüleri. Yaklaşımımızda, sınıflandırma doğruluğunu artırmak için bir klasik ve iki yeni ince ayar mekanizması önerdik ve beş kat çapraz doğrulama ile 3 sınıflı sınıflandırmada ortalama %95.62, %96.10 ve %97.61 doğruluk oranlarına ulaştık. Ayrıca üçüncü modelimiz, toplam ince ayar işlemlerinin %81.92'sini azalttı ve daha iyi sonuçlar elde etti. Sayısal sonuçlar, önerilen yaklaşımın, karmaşık ön işleme adımları olmaksızın ham veriler kullanıldığında umut verici sonuçlar elde ettiğini göstermektedir.
  • [ X ]
    Öğe
    Brain-GCN-Net: Graph-Convolutional Neural Network for brain tumor identification
    (Elsevier Ltd, 2024) Gürsoy, Ercan; Kaya, Yasin
    Background: The intersection of artificial intelligence and medical image analysis has ushered in a new era of innovation and changed the landscape of brain tumor detection and diagnosis. Correct detection and classification of brain tumors based on medical images is crucial for early diagnosis and effective treatment. Convolutional Neural Network (CNN) models are widely used for disease detection. However, they are sometimes unable to sufficiently recognize the complex features of medical images. Methods: This paper proposes a fused Deep Learning (DL) model that combines Graph Neural Networks (GNN), which recognize relational dependencies of image regions, and CNN, which captures spatial features, is proposed to improve brain tumor detection. By integrating these two architectures, our model achieves a more comprehensive representation of brain tumor images and improves classification performance. The proposed model is evaluated on a public dataset of 10847 MRI images. The results show that the proposed model outperforms the existing pre-trained models and traditional CNN architectures. Results: The fused DL model achieves 93.68% accuracy in brain tumor classification. The results indicate that the proposed model outperforms the existing pre-trained models and traditional CNN architectures. Conclusion: The numerical results suggest that the model should be further investigated for potential use in clinical trials to improve clinical decision-making. © 2024 Elsevier Ltd
  • [ X ]
    Öğe
    Retraction Note: A MobileNet-based CNN model with a novel fine-tuning mechanism for COVID-19 infection detection (Soft Computing, (2023), 27, 9, (5521-5535), 10.1007/s00500-022-07798-y)
    (Springer Science and Business Media Deutschland GmbH, 2024) Kaya, Yasin; Gürsoy, Ercan
    The publisher has retracted this article in agreement with the Editor-in-Chief. The article was submitted to be part of a guest-edited issue. An investigation by the publisher found a number of articles, including this one, with a number of concerns, including but not limited to compromised editorial handling and peer review process, inappropriate or irrelevant references or not being in scope of the journal or guest-edited issue. Based on the investigation’s findings the publisher no longer has confidence in the results and conclusions of this article. The authors disagree with this retraction. © The Author(s), under exclusive licence to Springer-Verlag GmbH Germany, part of Springer Nature 2024.