Ömer Çelik
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Ömer Çelik has a total of 11 co-authors. Here are the top co-authors by number of shared publications:
- Bilal Bayram
Department of Neurology, University of Health Sciences, Van Education and Research Hospital, 65000 Van, Turkey
1 shared publication - Elif Erdoğan1 shared publication
- Erkan Veziroglu
Department of Computer Technologies, Simav Vocational School, Kutahya Dumlupinar University, 43500, Simav, Kutahya, Turkey
1 shared publication - Ishak Pacal
Department of Computer Engineering, Faculty of Engineering, Igdir University, Igdir 76000, Türkiye
1 shared publication - İbrahim Salih Çekim
İzmir Bakırçay Üniversitesi
1 shared publication - Merve Turgut
Kirsehir Ahi Evran Universitesi
1 shared publication
Latest Publications
- Open Access
- 30 September 2026
- Published by Dunya Congress in Health Care Academician Journal
- Vol. 13 (3) , 713-725
Türkiye’de sağlık hizmetlerinde yeşil sertifikasyon sistemleri üzerine bir değerlendirme
Bu çalışma, Türkiye sağlık sektöründe uluslararası yeşil sertifikasyon sistemlerinin uygulanabilirliğini ve benimsenmesini değerlendirmekte ve LEED, BREEAM, Green Star, Sağlık Hizmetleri için Yeşil Kılavuz ve Kişi Merkezli Bakımda Mükemmellik için Planetree Sertifikasyonu'na odaklanmaktadır. Bu çerçeveler, çevresel ayak izlerini azaltmak, iç mekân çevre kalitesini iyileştirmek ve hasta ve personel refahını artırmak için sistematik yaklaşımlar sunmaktadır. Uluslararası sertifikasyonlar Türkiye'de, özellikle şehir hastaneleri projelerinde giderek daha fazla tanınmakla birlikte, daha geniş çapta uygulanmaları sınırlı kalmaktadır. Çalışma, Türkiye'nin sağlık altyapısı ve çevresel öncelikleriyle uyumlu yeşil sertifikasyon standartlarının yerel olarak uyarlanması ihtiyacını vurgulamaktadır. Bu tür sistemlerin sağlık planlama ve tasarımına entegre edilmesi, sürdürülebilir, dirençli ve sağlığı geliştirici tıbbi ortamlar yaratmak için hayati önem taşımaktadır.
- 30 September 2026
- Published by Dunya Congress in Health Care Academician Journal
- Vol. 13 (3) , 713-725
Open AccessTürkiye’de sağlık hizmetlerinde yeşil sertifikasyon sistemleri üzerine bir değerlendirme
Bu çalışma, Türkiye sağlık sektöründe uluslararası yeşil sertifikasyon sistemlerinin uygulanabilirliğini ve benimsenmesini değerlendirmekte ve LEED, BREEAM, Green Star, Sağlık Hizmetleri için Yeşil Kılavuz ve Kişi Merkezli Bakımda Mükemmellik için Planetree Sertifikasyonu'na odaklanmaktadır. Bu çerçeveler, çevresel ayak izlerini azaltmak, iç mekân çevre kalitesini iyileştirmek ve hasta ve personel refahını artırmak için sistematik yaklaşımlar sunmaktadır. Uluslararası sertifikasyonlar Türkiye'de, özellikle şehir hastaneleri projelerinde giderek daha fazla tanınmakla birlikte, daha geniş çapta uygulanmaları sınırlı kalmaktadır. Çalışma, Türkiye'nin sağlık altyapısı ve çevresel öncelikleriyle uyumlu yeşil sertifikasyon standartlarının yerel olarak uyarlanması ihtiyacını vurgulamaktadır. Bu tür sistemlerin sağlık planlama ve tasarımına entegre edilmesi, sürdürülebilir, dirençli ve sağlığı geliştirici tıbbi ortamlar yaratmak için hayati önem taşımaktadır.
- Top Cited PapersOpen Access
- 18 January 2026
- Published by Scientific Oasis in Journal of Soft Computing and Decision Analytics
- Vol. 4 (1) , 16-31
Advancing Ischemic Stroke Detection Through an In-depth Evaluation of YOLOv10 Models on Diffusion-Weighted Imaging Data
Rapid, accurate detection of acute ischemic stroke (AIS) is vital for patient outcomes. This study evaluates YOLOv10 variants using Diffusion-Weighted Imaging (DWI) data from the ISLES 2022 dataset to identify a model that optimally balances diagnostic accuracy, speed, and computational efficiency for clinical deployment. Methods: YOLOv10 variants were trained on 1652 preprocessed DWI images using transfer learning and data augmentation. Performance was assessed using precision, recall, mAP50, and inference time to evaluate each model comprehensively. Results: The YOLOv10l variant achieved the best performance with 0.933 precision, 0.783 recall, and 0.887 mAP50. YOLOv10n was fastest (0.8 ms) but less accurate, highlighting a trade-off between speed and precision. A key challenge across models was the reliable detection of smaller, less distinct stroke lesions. These findings underscore the importance of balancing accuracy and efficiency. YOLOv10l is optimal for high-precision hospital diagnostics, whereas YOLOv10n suits real-time, resource-limited settings. Future work must focus on improving the detection of small lesions to enhance clinical utility and ensure comprehensive diagnostic support. YOLOv10 is a powerful tool for automated stroke detection, with the YOLOv10l model providing a balanced solution for clinical use. Integrating such models can significantly enhance diagnostic workflows, aid clinical decisions, and ultimately improve patient outcomes in stroke care.
- 18 January 2026
- Published by Scientific Oasis in Journal of Soft Computing and Decision Analytics
- Vol. 4 (1) , 16-31
Top Cited PapersOpen AccessAdvancing Ischemic Stroke Detection Through an In-depth Evaluation of YOLOv10 Models on Diffusion-Weighted Imaging Data
Rapid, accurate detection of acute ischemic stroke (AIS) is vital for patient outcomes. This study evaluates YOLOv10 variants using Diffusion-Weighted Imaging (DWI) data from the ISLES 2022 dataset to identify a model that optimally balances diagnostic accuracy, speed, and computational efficiency for clinical deployment. Methods: YOLOv10 variants were trained on 1652 preprocessed DWI images using transfer learning and data augmentation. Performance was assessed using precision, recall, mAP50, and inference time to evaluate each model comprehensively. Results: The YOLOv10l variant achieved the best performance with 0.933 precision, 0.783 recall, and 0.887 mAP50. YOLOv10n was fastest (0.8 ms) but less accurate, highlighting a trade-off between speed and precision. A key challenge across models was the reliable detection of smaller, less distinct stroke lesions. These findings underscore the importance of balancing accuracy and efficiency. YOLOv10l is optimal for high-precision hospital diagnostics, whereas YOLOv10n suits real-time, resource-limited settings. Future work must focus on improving the detection of small lesions to enhance clinical utility and ensure comprehensive diagnostic support. YOLOv10 is a powerful tool for automated stroke detection, with the YOLOv10l model providing a balanced solution for clinical use. Integrating such models can significantly enhance diagnostic workflows, aid clinical decisions, and ultimately improve patient outcomes in stroke care.
- 29 August 2025
- Published by Ankara Yildirim Beyazit Universitesi in Türkiye Sağlık Bilimleri ve Araştırmaları Dergisi
- Vol. 8 (2) , 11-27
Yapay Zeka ve Derin Öğrenmenin Sağlık Bilişimi Üzerine Etkisi: Literatür Tabanlı Bir İnceleme
Yapay zekâ (YZ) ve derin öğrenme (DÖ), sağlık bilişimi alanında dönüştürücü bir etkiye sahiptir ve sağlık hizmetlerinin sunum, yönetim ve karar verme süreçlerini yeniden şekillendirmektedir. Bu çalışma, YZ ve DÖ'nün sağlık bilişimine entegrasyonunu literatür temelinde sistematik bir şekilde incelemektedir. Elektronik sağlık kayıtları (ESK), büyük veri analitiği ve klinik karar destek sistemleri (KKDS) gibi teknolojiler, hasta bakımını kişiselleştirme, teşhis doğruluğunu artırma ve operasyonel verimliliği optimize etme potansiyeli sunmaktadır. Özellikle derin öğrenme, tıbbi görüntüleme ve kronik hastalık risk tahmini gibi alanlarda klinisyenlerin iş yükünü azaltarak teşhis hassasiyetini artırmıştır. Ancak, veri gizliliği, algoritmik önyargı, etik ikilemler ve düzenleyici boşluklar, bu teknolojilerin yaygınlaşmasını zorlaştırmaktadır. Çalışma, YZ'nin sorumlu bir şekilde uygulanması için disiplinler arası iş birliği, algoritma şeffaflığı ve etik çerçevelerin standartlaştırılması gerektiğini vurgulamaktadır. Sonuç, YZ ve DÖ'nün sağlık bilişiminde insan odaklı, adil ve sürdürülebilir bir ekosistem oluşturma potansiyeline sahip olduğunu; ancak, bu fırsatların teknik, etik ve toplumsal boyutlarla dengelenmesi gerektiğini göstermektedir.
- 29 August 2025
- Published by Ankara Yildirim Beyazit Universitesi in Türkiye Sağlık Bilimleri ve Araştırmaları Dergisi
- Vol. 8 (2) , 11-27
Yapay Zeka ve Derin Öğrenmenin Sağlık Bilişimi Üzerine Etkisi: Literatür Tabanlı Bir İnceleme
Yapay zekâ (YZ) ve derin öğrenme (DÖ), sağlık bilişimi alanında dönüştürücü bir etkiye sahiptir ve sağlık hizmetlerinin sunum, yönetim ve karar verme süreçlerini yeniden şekillendirmektedir. Bu çalışma, YZ ve DÖ'nün sağlık bilişimine entegrasyonunu literatür temelinde sistematik bir şekilde incelemektedir. Elektronik sağlık kayıtları (ESK), büyük veri analitiği ve klinik karar destek sistemleri (KKDS) gibi teknolojiler, hasta bakımını kişiselleştirme, teşhis doğruluğunu artırma ve operasyonel verimliliği optimize etme potansiyeli sunmaktadır. Özellikle derin öğrenme, tıbbi görüntüleme ve kronik hastalık risk tahmini gibi alanlarda klinisyenlerin iş yükünü azaltarak teşhis hassasiyetini artırmıştır. Ancak, veri gizliliği, algoritmik önyargı, etik ikilemler ve düzenleyici boşluklar, bu teknolojilerin yaygınlaşmasını zorlaştırmaktadır. Çalışma, YZ'nin sorumlu bir şekilde uygulanması için disiplinler arası iş birliği, algoritma şeffaflığı ve etik çerçevelerin standartlaştırılması gerektiğini vurgulamaktadır. Sonuç, YZ ve DÖ'nün sağlık bilişiminde insan odaklı, adil ve sürdürülebilir bir ekosistem oluşturma potansiyeline sahip olduğunu; ancak, bu fırsatların teknik, etik ve toplumsal boyutlarla dengelenmesi gerektiğini göstermektedir.