Muazzez Buket Darıcı

Darıcı, Muazzez Buket

Name Variants

Muazzez Buket, Darici
D., Muazzez Buket
Darıcı,M.B.
D.,Muazzez Buket
Darıcı, M. B.
Darıcı, M.
Darıcı, Muazzez Buket
DARICI, MUAZZEZ BUKET
Darici,M.B.
Darici,Muazzez Buket
M. B. Darıcı
Darici, Muazzez Buket
Darıcı, MUAZZEZ BUKET
DARICI, Muazzez Buket
M. Darıcı
Muazzez Buket DARICI
Muazzez Buket Darıcı
MUAZZEZ BUKET DARICI

Job Title

Araş. Gör.

Email Address

buket.darici@khas.edu.tr

ORCID ID

0000-0002-0943-9381

Full item page

Scholarly Output

9

Articles

4

Citation Count

6

Supervised Theses

1 Scholarly Output Search Results

Now showing 1 - 9 of 9

2.5d Vit: 3 Boyutlu Beyin Mr Görüntülerinin Ön İşlenmesiyle Görüntü Dönüştürücü Tabanlı Beyin Yaşı Tahmini
(2024) Darıcı, Muazzez Buket; Özmen, Atilla
Son zamanlarda doğal görüntü işleme görevinde kullanılan transformörler, görme görevlerine alternatif bir çözüm sunmaktadır. Görüntülerin işlenmesine olanak sağlayan görüntü transformör mimarisinin, güçlü dikkat mekanizması ve konumsal bilgiyi tutma yeteneği ile görüntü sınıflandırma görevinde etkili olduğu kanıtlanmıştır. Görüntü sınıflandırmaya yenilikçi bir yaklaşım olan ViT, popüler veri setlerinde güncel CNN'lerden daha iyi performans göstermektedir. Ne yazık ki ViT yapısı 2D ile uyumlu olduğundan, saf haliyle 2 boyuttan fazla olan görüntüleri işleyemez. Bu çalışma, 3 boyutlu beyin MR görüntülerini işleyebilen 2.5D ViT adlı yeni bir ViT önermektedir. Model mimarisinde yapılan değişiklikler ve önerilen yöntemler sayesinde 2.5D ViT, 3D görüntülerden yaş tahminini güncel modellere göre daha iyi yapabilmektedir. Ayrıca bu çalışma, beyin MR görüntülerinin hem model mimarisi hem de ön işleme aşamaları üzerine geniş çaplı deneyler içermektedir. Üstün başarısıyla insanların hayatına etki eden Yapay Zeka tabanlı beyin analiz sistemleri, ideal 3 boyutlu beyin MR görüntülerine ihtiyaç duyar. Bu sistemler için ideal beyin MR görüntüleri elde etmek amacıyla en çok tercih edilen ön işleme teknikleri Yanlılık Alanı Düzeltme (Bias Field Correction), Kafatası Sıyırma (Skull Stripping) ve Çakıştırmadır (Registration). Ön işlemin görüntüleri standartlaştırdığı bilinse bile, ön işlemlerin son teknolojiye sahip ağlarda beyin yaşı tahmin sistemlerinin kalitesi üzerindeki etkisi titizlikle araştırılmamıştır. Bu çalışma, IXI veri setinden alınan 3 boyutlu beyin MR görüntüleri üzerindeki Yanlılık Alanı Düzeltme ve Kafatası Sıyırma etkilerinin yanı sıra Çakıştırma sırasında uygulanan ön işlemlerin etkilerinin ve bunların sırasının kapsamlı bir şekilde gözlemlenmesini içermektedir. Beyin yaşı tahmini alanında popüler olan 3 boyutlu Evrişimsel Sinir Ağları modeli, ön işlemlerin beyin yaşı tahmini üzerindeki başarısı hakkında bilgi vermesi için kullanılmıştır. Bu çalışmanın çıktıları, ön işleme yöntemleri olarak sırasıyla Kafatası Sıyırma, Yanlılık Alanı Düzeltme, Çakıştırma işlemleri Z-Score normalizasyonu ile kullanıldığında, 3 boyutlu Evrişimsel Sinir Ağının 6 yıllık ortalama mutlak hata ile farklı şekilde önceden işlenmiş görüntüler üzerinde eğitilen diğer modellerden daha iyi performans gösterdiğini ortaya koymaktadır. Bu çalışmayı önemli kılan bir diğer nokta ise beyin yaşı tahmini üzerinde kullanıma hazır SPM aracına benzer performans gösterebilecek ön işleme tekniklerini uygun sırayla önermesidir. Önerilen tekniklerle önceden işlenmiş 3 boyutlu beyin MR görüntüleri daha sonra yeni Görüntü Dönüştürücü (ViT) için girdi olarak kullanılmıştır. 2.5D ViT'in tasarımı, beyin yaşı tahmin performansını maksimuma çıkarırken bilgi kaybını en aza indirmeye odaklanır. 2.5D ViT tasarımı ViT'den farklı olarak SCA'dan RGB'ye dönüşüm mimarisi ve Ayrık Kosinüs Dönüşümü (AKD) içermektedir. SCA'dan RGB'ye dönüşüm, 3 boyutlu görüntülerin maksimum bilgiyle 2 boyutlu görüntülere dönüştürülmesini sağlarken, güçlü sıkıştırma kabiliyetine sahip AKD, ViT'deki Dönüştürücü kodlayıcıyı besleyen, yaşa bağlı özellikleri içeren, daha küçük boyutta özellik haritası elde etmek için kullanılır. Çeşitli deneylerden sonra 2.5D ViT, yanlılık düzeltmesinden sonra 5 yıl mutlak hata oranı ile en iyi performansı elde etmektedir. Sonuçlar, önerilen 2.5D ViT'nin beyin yaşı tahmini alanında 3 boyutlu Evrişimsel Sinir Ağları ile karşılaştırmalı sonuçlara sahip olduğunu göstermektedir. Mutlak ortalama hataya ek olarak araştırılan istatistiksel değerler ise sırasıyla r değeri için 0.9, Spearman Korelasyon Katsayısı için 0.87 ve R Kare değeri ise ortalamada 0.78 olarak bulunmuştur. Bu değerler, yanlılık düzeltme işleminden sonraki değerlerdir.
Citation Count: 0
Comprehensive Analysis of Image Registration Techniques on Brain MR Images
(Institute of Electrical and Electronics Engineers Inc., 2023) Darici,M.B.; Ozmen,A.
Medical image registration is an important preprocess of image-guided systems. Since image registration brings the images to the same coordinate system of the specified reference image, image registration should not be neglected to be able to make accurate comparisons between results obtained from medical images. Basically, registration is an optimization problem. The parameters of the specified transformation algorithm are optimized based on specified functions and parameters of registration. In this study, T1-weighted structural 3D brain MR images on IXI dataset have been registered into reference image by the affine transformation in the proposed registration method. During experiments, the effects of several parameters and functions on registration performance have been investigated with different preprocessing techniques applied to brain MR images. After several experiments, the most successful outcome of various experiments was achieved by using Powell optimization function along with Linear Interpolation, when applying Median Filter with CLAHE to images in the suggested registration method. The NCC was used to compare the registration results. The study's results demonstrate that the proposed registration method outperformed the widely-used registration tool SPM8 with mean NCC of -0.753. © 2023 IEEE.
Citation Count: 0
Sickle Cell Anemia Detection
(IEEE, 2018) Albayrak, Batuhan; Darıcı, Muazzez Buket; Kiracı, Furkan; Öğrenci, Arif Selçuk; Özmen, Atilla; Ertez, Kerem
Anemia is a common name given to falls in oxygen transport capacity due to some of the functional disadvantages of red blood cells. Pathology Laboratorians put the tissue on the microscope glass and try to diagnose Anemia disease. Processes have been taken for a long time and it has been caused to distract. Therefore it has been caused to misdiagnose the Laboratorian. This work shortens the diagnostic period of the disease and to minimizes error probability of this diagnosis by extracting healthy cells and just having sickle cells on the blood tissue using Image Processing Algorithms with an accuracy of 91.11 % precision of 92.9 % recall of 79.05 % for Sickle Cell Anemia.
Citation Count: 5
Performance Analysis of Combination of Cnn-Based Models With Adaboost Algorithm To Diagnose Covid-19 Disease
(Gazi Univ, 2023) Darici, Muazzez Buket
At the end of 2019, Covid-19, which is a new form of Coronavirus, has spread widely all over the world. With the increasing daily cases of this disease, fast, reliable, and automatic detection systems have been more crucial. Therefore, this study proposes a new technique that combines the machine learning algorithm of Adaboost with Convolutional Neural Networks (CNN) to classify Chest X-Ray images. Basic CNN algorithm and pretrained ResNet-152 have been used separately to obtain features of the Adaboost algorithm from Chest X-Ray images. Several learning rates and the number of estimators have been used to compare these two different feature extraction methods on the Adaboost algorithm. These techniques have been applied to the dataset, which contains Chest X-Ray images labeled as Normal, Viral Pneumonia, and Covid-19. Since the used dataset is unbalanced between classes SMOTE method has been used to make the number of images of classes balance. This study shows that proposed CNN as a feature extractor on the Adaboost algorithm(learning rate of 0.1 and 25 estimators) provides higher classification performance with 94.5% accuracy, 93% precision, 94% recall, and 93% F1-score.
Citation Count: 0
Brain Age Estimation From Mri Images Using 2d-Cnn Instead of 3d-Cnn
(2021) Gezer, Murat; Yıldırım, Şüheda; Darici, Muazzez Buket
Human Brain Age has become a popular aging biomarker and is used to detect differences among healthy individuals. Because of the specific changes in the human brain with aging, it is possible to estimate patients’ brain ages from their brain images. Due to developments of the ability of CNN in classification and regression from images, in this study, one of the most popular state of the art models, the DenseNet model, is utilized to estimate human brain ages using transfer learning. Since this process requires high memory load with 3D-CNN, 2D-CNN is preferred for the task of Brain Age Estimation (BAE). In this study, some experiments are carried out to reduce the number of computations while preserving the total performance. With this aim, center slices of each three brain planes are used as the inputs of the DenseNet model, and different optimizers such as Adam, Adamax and Adagrad are used for each model. The dataset is selected from the IXI (Information Extraction from Images) MRI data repository. The MAE evaluation metric is used for each model with different input set to evaluate performance. The best achieved Mean Absolute Error (MAE) is 6.3 with the input set which consisted of center slices of the sagittal plane of brain scan and the Adamax parameter.
Citation Count: 0
A Siamese Network-Based Approach for Autism Spectrum Disorder Detection With Dual Architecture
(Institute of Electrical and Electronics Engineers Inc., 2023) Yigit,G.; Darici,M.B.
Autism Spectrum Disorder (ASD) is a sophisticated neuro-developmental condition impacting numerous children. Early detection of ASD is crucial to implement suitable treatments to improve the daily activities of people with ASD. This paper introduces a system for ASD detection using facial images. The proposed model presents a unique system inspired by Siamese networks. Unlike traditional Siamese networks focusing on input pairs, our model leverages architectural pairs for feature combinations. During training, we combine features learned from different or the same architectures. This enables information transfer and improves the model's capture of comprehensive patterns. Experimental results on the 2940 facial images dataset demonstrate the effectiveness of our system, which exhibits improved accuracy compared to using individual architectures. When (ResNet50, VGG16) architecture pairs are employed in the proposed approach, the highest performance is obtained with an accuracy of 78.57%. Leveraging the strengths of multiple architectures, our model provides a comprehensive and robust representation of input data, leading to improved performance. © 2023 IEEE.
Citation Count: 0
Covid-19 Hastalığının Teşhisi için Cnn Tabanlı Modeller ile Adaboost Algoritmasının Kombinasyonunun Performans Analizi
(2023) Darıcı, Muazzez Buket
2019 yılı sonunda yeni bir Coronavirüs formu olan Covid-19 tüm dünyada hızlı bir şekilde yayıldı. Bu hastalığın artan günlük vakaları ile hızlı, güvenilir ve otomatik tespit sistemlerine olan ihtiyaç arttı. Bu nedenle, bu çalışma, göğüs kafesi röntgen görüntülerini sınıflandırmak için makine öğrenmesi algoritmalarından biri olan Adaboost algoritması ile Evrişimsel Sinir Ağları’nı (CNN) birleştiren yeni bir teknik önermektedir. Adaboost algoritmasının eğitim için ihtiyaç duyduğu özellikler temel CNN algoritması ve önceden eğitilmiş ResNet-152 ile göğüs kafesi röntgen görüntülerinden ayrı ayrı elde edilmiştir. Adaboost algoritmasında bu iki farklı özellik çıkarma yöntemini karşılaştırmak için farklı öğrenme oranı değerleri ve tahmin sayısı kullanılmıştır. Bu teknikler, Normal, Viral Zatürre ve Covid-19 olarak etiketlenmiş göğüs röntgeni görüntülerini içeren veri setinde uygulanmıştır. Kullanılan veri seti sınıflar arasında dengesiz olduğundan, sınıfların görüntü sayısını dengelemek için SMOTE yöntemi kullanılmıştır. Bu çalışma, Adaboost algoritmasında otomatik özellik çıkarıcı olarak kullanılan, önerilen CNN modelin (öğrenme oranı 0.1 ve tahminci sayısı 25) % 94.5 doğruluk,% 93 kesinlik,% 94 duyarlılık ve % 93 F1 skoru değerleri ile daha yüksek sınıflandırma performansı sağladığını göstermektedir.
Citation Count: 1
A Comparative Study on Denoising From Facial Images Using Convolutional Autoencoder
(Gazi Univ, 2023) Darici, Muazzez Buket; Erdem, Zeki
Denoising is one of the most important preprocesses in image processing. Noises in images can prevent extracting some important information stored in images. Therefore, before some implementations such as image classification, segmentation, etc., image denoising is a necessity to obtain good results. The purpose of this study is to compare the deep learning techniques and traditional techniques on denoising facial images considering two different types of noise (Gaussian and Salt&Pepper). Gaussian, Median, and Mean filters have been specified as traditional methods. For deep learning methods, deep convolutional denoising autoencoders (CDAE) structured on three different optimizers have been proposed. Both accuracy metrics and computational times have been considered to evaluate the denoising performance of proposed autoencoders, and traditional methods. The utilized standard evaluation metrics are the peak signal to noise ratio (PSNR) and structural similarity index measure (SSIM). It has been observed that overall, while the traditional methods gave results in shorter times in terms of computation times, the autoencoders performed better concerning the evaluation metrics. The CDAE based on the Adam optimizer has been shown the best results in terms of PSNR and SSIM metrics on removing both types of noise.
Citation Count: 1
Improving Diabetic Retinopathy Detection Using Patchwise Cnn With Bigru Model
(Institute of Electrical and Electronics Engineers Inc., 2023) Darici,M.B.; Yigit,G.
This study addresses Diabetic Retinopathy (DR), a diabetes complication that can lead to vision loss if not promptly diagnosed and treated. Recent advances in deep learning have shown promising results in detecting DR from retinal images. The study introduces a novel patch-based CNN-biGRU model for DR detection. The proposed model extracts patches from retinal images employing a sliding window strategy and then uses a Convolutional Neural Network (CNN) architecture to extract features from each patch. The features extracted from each patch are then concatenated, and a 4-layer bidirectional Gated Recurrent Unit (biGRU) is applied to predict the whole image. We assessed the proposed model on a publicly available dataset named APTOS 2019 Blindness Detection and achieved an accuracy of 73.5%, outperforming existing state-of-the-art approaches. The given patch-based CNN model can improve the accuracy of DR detection and aims to assist ophthalmologists in making more accurate diagnoses. © 2023 IEEE.

Darıcı, Muazzez Buket

Name Variants

Job Title

Email Address

ORCID ID

Scopus Author ID

Turkish CoHE Profile ID

Google Scholar ID

WoS Researcher ID

Scholarly Output

9

Articles

4

Citation Count

6

Supervised Theses

1

Filters

Settings

Sort By

Results per page

Scholarly Output Search Results