Ayşe Demirhan

CT scans play a crucial role in diagnosing and planning treatment for strokes, offering essential insights into the location, size, and extent of bleeding in brain tissue. This study explores two distinct scenarios for stroke detection, classification, and segmentation, utilizing 6951 brain CT images from the TEKNOFEST competition. In both scenarios, CT images undergo preprocessing steps involving skull‐stripping, normalization, and image augmentation. In the first scenario, stroke presence‐absence classification achieved a 98% success rate on test images. Subsequent segmentation of images with strokes resulted in Dice scores of 59% for ischemic stroke and 67% for hemorrhagic stroke on test images. The classification of stroke types as ischemic and hemorrhagic achieved a 100% success rate, with a 97% success rate when directly classifying stroke types in images without segmentation. This indicates a 3% performance improvement when applying the classification process after stroke region segmentation. In the second scenario, a three‐class classification of no stroke, ischemic stroke, and hemorrhagic stroke achieved an average of 97% success on test images. Post‐classification, separately created models for the segmentation of ischemic and hemorrhagic strokes yielded Dice scores of 78% and 79%, respectively. The second scenario demonstrated a performance improvement of 19% and 12% for the segmentation of ischemic and hemorrhagic strokes through the post‐classification segmentation process. The proposed approach outperforms competing teams in the competition rankings.

According to WHO (World Health Organization) 2.2 billion people in the world have visual impairment. About 40 million of them experience complete vision loss. This number is substantial for the world population. Lack of visual function is one factor that makes it difficult for the individual to participate in social life. Because a barrier-free life is aimed, studies have emerged due to the difficulties encountered. One of these difficulties is that they need help seeing pedestrian lights and roads to cross the street. In this study, a mobile application is designed to address this issue. The application provides visually impaired individuals with voice alerts about the status of crosswalks and traffic lights. This mobile application was developed using Flutter. The convolutional neural network model and YOLO (You Only Look Once) v2Tiny algorithm were used for real-time object recognition from the images taken from the mobile phone camera. Mobile application successfully recognizes red light, green light, and crosswalk with 89.52%, 89.1%, and 88.57% accuracies, respectively. The novelty of this study lies in incorporating both pedestrian traffic light detection and crosswalk identification within a mobile application.

The Software-defined Networking (SDN) system plays a crucial role in efficiently overseeing the Internet network by segregating the control and data planes. In the SDN, the controller manages and determines the policy in sending data and setting the SDN switches. Despite the significant advantages, the SDN network has security challenges. DDoS attacks are the main challenge in SDN networks. DDoS attacks primarily target the SDN controller to disrupt network performance. Intrusion detection systems in SDN networks need confidential methods for message exchange and coordination of controllers so that they can exchange the blacklist of attacking addresses with each other. In this manuscript, we introduce an approach utilizing 1D CNN and LSTM networks for detecting attacks in the SDN network, incorporating blacklist information hidden in images. In the first stage, game theory and deep learning based on GAN are used to increase attack detection accuracy in each SDN controller to balance the data set. In the second stage, each controller uses 1D CNN to extract the primary features, and the Siberian tiger optimization (STO) algorithm is applied to enhance the efficiency of this deep learning network. In the third step, the STO algorithm selects the optimal features. Finally, the LSTM network classifies traffic by receiving the selected features. SDN controllers use image encryption to increase privacy and security for exchanging and sharing blacklists. The tests performed in Python and on datasets UNSW-NB15, CIC-IDS2017, and NSL-KDD are 99.49%, 99.86%, and 99.91%. The proposed method GAN-CL-STO demonstrates higher accuracy in detecting network attacks compared to the CNN-LSTM, HODNN+CRF, 1D CNN, PSO-1D CNN, and 1D CNN+BiLSTM methods. The suggested approach for identifying attacks in SDN is more accurate than WOA, HHO, and COA feature selection methods.

Poz tahmini, kamera ile çekilen görüntülerde insan iskeletindeki anahtar noktaların piksel konumlarının tespit edilmesi amacıyla ortaya çıkmıştır. Poz tahmini yöntemlerinin çıktıları görüntüde tespit edilen tüm eklem noktalarının piksel değerlerini ilişkilendirdiği kişiye göre vermektedir. Videolarda kişilerin hareketlerini anlamlandırmak için ardışık görüntü kareleri boyunca kimliklendirilmeleri gerekir. Böylece kişilerin video boyunca ne zaman hangi hareketleri yaptığı tespit edilebilir. Bu çalışmada sabit hızlı ve sabit ivmeli hareket modeline göre Kalman filtresi kullanarak küresel en yakın komşu (KEYK) algoritması ile tasarlanan çok kişili poz takibi yönteminin verdiği sonuçlar incelenmiştir. Geliştirilen ön işleme adımlarının poz tahmini yöntemlerinin kalitesini artırarak poz takibine etkisi de tespit edilmiştir. Bu amaçla PoseTrack veri kümesi üzerinde DCPose ve OpenPose poz tahmini yöntemlerinin başarımı değerlendirilmiştir. Ön işleme adımları ile sistemin başarımının her iki yöntem için de yükseldiği görülmüştür. Gerçek zamanlı çalışabilen, başarılı bir poz tahmini yöntemi olan ve düşük kaynak tüketimine sahip OpenPose yöntemi ile literatürde en iyi sonuçları veren DCPose yönteminin sonuçları incelendiğinde çok kişili poz takibi konusunda DCPose yönteminin daha başarılı sonuçlar verdiği görülmüştür. 550 farklı video ile elde edilen sonuçlar ön işleme adımları uygulandığında başarımı sabit hızlı ve sabit ivmeli hareket modellerinde aşağıdan yukarı yöntemi OpenPose için %22.6 ve %16.02, yukarıdan aşağı yöntemi DCPose için %21.2 ve %21.8 artırmıştır.

Günümüzde nüfus yoğunluğu her geçen gün hızla artmakta ve buna bağlı olarak şehirlerdeki araçların sayısı da artış göstermektedir. Bu nedenle park yeri bulmak sürücüler için oldukça zorlu bir hal almıştır. Sürücülerin park yeri bulmak için trafikte kalması hem trafiği daha da sıkıştırmakta hem de gereksiz yakıt masrafına sebep olmaktadır. Bu çalışmada kullanıcıların kolayca park yeri bulabilecekleri ve boş park yerleri içerisinden seçim yapabilecekleri bir uygulama geliştirilmiştir. Sokakta bulunan kameralardan, güvenlik için yerleştirilmiş kameralardan ya da uydu görüntülerinden bu çalışma için yararlanılabilir. Elde edilen görüntüler işlenerek araçların park edebileceği yerler tespit edilmekte ve kullanıcıya boş olanların bilgisi iletilmektedir. Ardından kullanıcıya boş park yerlerinden kendisine uygun olanı seçme ve o noktaya yol tarifi alma imkânı sağlanmaktadır. Görüntünün işlenmesi ile boş park yerlerinin tespiti için iki yöntemden yararlanılmıştır. Bu yöntemlerden ilki arka plan silme algoritmaları kullanılarak, ikincisi ise Haar cascade sınıflandırıcısı kullanılarak araçların tespit edilmesidir. Bu tespitlerin yapılmasının ardından park yerlerinin dolu veya boş olduğu bilgisi elde edilmektedir. Mobil uygulama, Kotlin yazılım dili ile Android Studio platformu kullanılarak geliştirilmiştir.

The usage of mask is necessary for the prevention and control of COVID-19 which is a respiratory disease that passes from person to person by contact and droplets from the respiratory tract. It is an important task to identify people who do not wear face mask in the community. In this study, performance comparison of the automated deep learning based models including the ones that use transfer learning for face mask detection on images was performed. Before training deep models, faces were detected within images using multi-task cascaded convolutional network (MTCNN). Images obtained from face mask detection dataset, COVID face mask detection dataset, mask detection dataset, and with/without mask dataset were used for training and testing the models. Face areas that are detected with MTCNN were used as input for convolutional neural network (CNN), MobileNetV2, VGG16 and ResNet50. VGG16 showed best performance with 97.82% accuracy. MobileNetV2 showed the worst performance for detecting faces without mask with 72.44% accuracy. Comparison results show that VGG16 can be used effectively to detect faces without mask. This system can be used in crowded public areas to warn people without mask that may help the reduce the risk of pandemic.

Çok değişkenli desen analizi (ÇDDA) klinik verilerin incelenmesi için yaygın olarak kullanılan güçlü bir tekniktir. ÇDDA uygulamalarında genellikle makine öğrenmesi yöntemleri kullanılmaktadır. Kolektif öğrenme algoritmaları çok sayıda makine öğrenmesi metodunu bir araya getirilerek sınıflama performansını arttırmaktadır. Kadınlarda en sık görülen ikinci kanser türü olan serviks kanseri düşük gelirli ülkelerde önemli bir ölüm nedenidir. İlk evrelerinde belirti göstermeyen serviks kanseri erken teşhis edildiğinde tamamen tedavi edilebilmektedir. Bu çalışmada rastgele ormanlar, aşırı rassal ağaçlar ve Adaboost kolektif öğrenme yöntemleri kullanılarak hastaların serviks kanseri riskini çeşitli risk faktörlerinden faydalanarak farklı tarama yöntemleri açısından tahmin eden bir ÇDDA uygulaması yapılmıştır. Aşırı rassal ağaçlar algoritmasından Hinselmann, Schiller, sitoloji ve biyopsi tarama yöntemlerinin hastaların serviks kanseri olması riskini tahmin başarısı sırasıyla %99, %96, %97 ve %97 olmuştur.