Yazar "Akyol, Kemal" seçeneğine göre listele
Listeleniyor 1 - 11 / 11
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Analysis of Demographic Characteristics Creating Coronary Artery Disease Susceptibility using Random Forests Classifier(Elsevier Science Bv, 2015) Akyol, Kemal; Calik, Elif; Bayir, Safak; Sen, Baha; Cavusoglu, AbdullahCardiovascular system diseases are an important health problem. These diseases are very common also responsible for many deaths. With this study, it is aimed to analyze factors that cause Coronary Artery Disease using Random Forests Classifier. According to the analysis, we observed correct classification ratio and performance measure that creates susceptibility to Coronary Artery Disease for each factor. The performance measure results clearly show the impact of demographic characteristics on CAD. Additionally, this study shows that random forests algorithm can be used to the processing and classification of medical data such as CAD. (C) 2015 The Authors. Published by Elsevier B.V.Öğe Assessing the importance of features for detection of hard exudates in retinal images(2017) Akyol, Kemal; Şen, Baha; Bayır, Şafak; Çakmak, Hasan BasriDiabetes disrupts the operation of the eye and leads to vision loss, affecting particularly the nerve layer and capillary vessels in this layer by changes in the blood vessels of the retina. Suddenly loss and blurred vision problems occur in the image, depending on the phase of the disease, called diabetic retinopathy. Hard exudates are one of the primary signs of diabetic retinopathy. Automatic recognition of hard exudates in retinal images can contribute to detection of the disease. We present an automatic screening system for the detection of hard exudates. This system consists of two main steps. Firstly, the features were extracted from patch images consisting of hard exudate and normal regions using the DAISY algorithm based on the histogram of oriented gradients. After, we utilized the recursive feature elimination (RFE) method, using logistic regression (LR) and support vector classi er (SVC) estimators on the raw dataset. Therefore, we obtained two datasets containing the most important features. The number of important features in each dataset created with LR and SVC was 126 and 259, respectively. Afterward, we observed different classi er algorithms\\' performances by using 5-fold cross validation on these important features\\' dataset and it was observed that the random forest (RF) classi er is the best classi er. Secondly, we obtained important features from the feature vector that corresponds with the region of interest in accordance with the keypoint information in a new retinal fundus image. Then we performed detection of hard exudate regions on the retinal fundus image by using the RF classi er.Öğe Assessing the importance of features for detection of hard exudates in retinal images(Tubitak Scientific & Technological Research Council Turkey, 2017) Akyol, Kemal; Sen, Baha; Bayir, Safak; Cakmak, Hasan BasriDiabetes disrupts the operation of the eye and leads to vision loss, affecting particularly the nerve layer and capillary vessels in this layer by changes in the blood vessels of the retina. Suddenly loss and blurred vision problems occur in the image, depending on the phase of the disease, called diabetic retinopathy. Hard exudates are one of the primary signs of diabetic retinopathy. Automatic recognition of hard exudates in retinal images can contribute to detection of the disease. We present an automatic screening system for the detection of hard exudates. This system consists of two main steps. Firstly, the features were extracted from patch images consisting of hard exudate and normal regions using the DAISY algorithm based on the histogram of oriented gradients. After, we utilized the recursive feature elimination (RFE) method, using logistic regression (LR) and support vector classifier (SVC) estimators on the raw dataset. Therefore, we obtained two datasets containing the most important features. The number of important features in each dataset created with LR and SVC was 126 and 259, respectively. Afterward, we observed different classifier algorithms' performances by using 5-fold cross validation on these important features' dataset and it was observed that the random forest (RF) classifier is the best classifier. Secondly, we obtained important features from the feature vector that corresponds with the region of interest in accordance with the keypoint information in a new retinal fundus image. Then we performed detection of hard exudate regions on the retinal fundus image by using the RF classifier.Öğe Automatic Detection of Optic Disc in Retinal Image by Using Keypoint Detection, Texture Analysis, and Visual Dictionary Techniques(Hindawi Ltd, 2016) Akyol, Kemal; Sen, Baha; Bayir, SafakWith the advances in the computer field, methods and techniques in automatic image processing and analysis provide the opportunity to detect automatically the change and degeneration in retinal images. Localization of the optic disc is extremely important for determining the hard exudate lesions or neovascularization, which is the later phase of diabetic retinopathy, in computer aided eye disease diagnosis systems. Whereas optic disc detection is fairly an easy process in normal retinal images, detecting this region in the retinal image which is diabetic retinopathy disease may be difficult. Sometimes information related to optic disc and hard exudate information may be the same in terms of machine learning. We presented a novel approach for efficient and accurate localization of optic disc in retinal images having noise and other lesions. This approach is comprised of five main steps which are image processing, keypoint extraction, texture analysis, visual dictionary, and classifier techniques. We tested our proposed technique on 3 public datasets and obtained quantitative results. Experimental results show that an average optic disc detection accuracy of 94.38%, 95.00%, and 90.00% is achieved, respectively, on the following public datasets: DIARETDB1, DRIVE, and ROC.Öğe Biyokimya ve hemogram laboratuvar test sonuçlarının lojistik regresyon yöntemiyle analizi(Karabük Üniversitesi, 2012) Akyol, Kemal; Şen, BahaBu çalışmanın amacı, biyokimya ve hemogram laboratuvar test sonuçlarının koroner arter hastalığına etkisini araştırmaktır. Veri analizinde lojistik regresyon modeli yaklaşımı kullanılmıştır. Lojistik regresyon modeli, bağımlı ve bağımsız değişkenler arasındaki ilişkiyi en iyi uyuma sahip bir şekilde tanımlayabildiği ve biyolojik olarak kabul edilebilir olduğu için tercih edilmiştir. Birinci bölümde çalışmanın kısa özeti verilmiştir. İkinci bölümde, biyokimya ve hemogram testleri ile koroner arter hastalığının tanımı ve bu hastalığın nedenleri hakkında bilgiler verilmiştir. Üçüncü bölümde, veri tabanında bilgi keşfi süreci, veri madenciliği ve yöntemleri hakkında bilgiler verilmiştir. Dördüncü bölümde, bu tekniklerden doğru sınıflandırma oranları çerçevesinde günümüzde biyoloji, tıp, sosyal, ekonomi ve diğer bir çok alanda kullanımı hızla yaygınlaşan lojistik regresyon modeli incelenmiş ve bu modelin önemi vurgulanmıştır. Beşinci bölümde ise, çalışmanın amacını gerçekleştirmek için geliştirilen uygulama anlatılmıştır.Geliştirilen uygulama ile bir veri seti sisteme yüklenmekte, hastalık için kategorik verilerin ve test referans değerlerinin tanımlaması yapılabilmektedir. Hasta özgeçmiş bilgilerini sorgulayarak oluşturulan veri setleri ile koroner arter hastalığına neden olacağı düşünülen test değişkenlerinin önemliliği test edilmiş, önemli bulunan değişkenler ile lojistik regresyon modelleri oluşturulmuştur. Oluşturulan lojistik regresyon modellerine ait doğru sınıflandırma oranlarının başarılı olmasından dolayı bu modellerin koroner arter hastalığı için risk faktörlerini belirlemede kullanılabileceği sonucuna varılmıştır. Ayrıca yeni verilerin analizinin internet ortamında da yapılabilmesi için web tabanlı bir uygulama geliştirilmiştir. Son bölümde, geliştirilen uygulama ile koroner arter hastalığının teşhisinde belirleyici faktörlerin ve biyokimya ve hemogram laboratuvar test sonuçlarının etkisi, tez çalışması süresince elde ettiğimiz sonuçlar ve öneriler açıklanmıştır.Öğe A Decision Support System for Early-Stage Diabetic Retinopathy Lesions(Science & Information Sai Organization Ltd, 2017) Akyol, Kemal; Bayir, Safak; Sen, BahaRetina is a network layer containing light-sensitive cells. Diseases that occur in this layer, which performs the eyesight, threaten our eye-sight directly. Diabetic Retinopathy is one of the main complications of diabetes mellitus and it is the most significant factor contributing to blindness in the later stages of the disease. Therefore, early diagnosis is of great importance to prevent the progress of this disease. For this purpose, in this study, an application based on image processing techniques and machine learning, which provides decision support to specialist, was developed for the detection of hard exudates, cotton spots, hemorrhage and microaneurysm lesions which appear in the early stages of the disease. The meaningful information was extracted from a set of samples obtained from the DIARETDB1 dataset during the system modeling process. In this process, Gabor and Discrete Fourier Transform attributes were utilized and dimension reduction was performed by using Spectral Regression Discriminant Analysis algorithm. Then, Random Forest and Logistic Regression and classifier algorithms' performances were evaluated on each attribute dataset. Experimental results were obtained using the retinal fundus images provided from both DIARETDB1 dataset and the department of Ophthalmology, Ataturk Training and Research Hospital in Ankara.Öğe Diyabetik retinopatinin gerçek zamanlı tespiti için karar destek sistemi(Karabük Üniversitesi, 2016) Akyol, Kemal; Bayır, ŞafakRetina ışığa duyarlı hücreler içeren bir ağ katmanıdır. Görme işlemini icra eden bu katmanda oluşan hastalıklar doğrudan görme yeteneğimizi tehdit eder. Diyabetik retinopati, şeker hastalığının temel komplikasyonlarından bir tanesidir ve bu hastalığın ilerleyen evrelerinde körlüğe en önemli katkısı olan bir hastalıktır. Bu yüzden bu hastalığın otomatik tespiti ve takibi büyük önem taşımaktadır. Uzun zamandan bu yana medikal görüntü işleme alanında bu hastalık üzerine yapılmış birçok çalışma vardır. Tıp bilimlerinde, kararların hızlı ve doğru şekilde verilmesi hayati öneme sahiptir ve bu hastalığın ilerlemesinin durdurulmasında en önemli yöntem erken tanının tespitidir. Bu amaç doğrultusunda bu çalışmada, bu hastalığın erken evresinde ortaya çıkan sert ve yumuşak eksuda, hemoraji ve mikroanevrizma lezyonlarının tespiti için uzman hekime karar desteği sağlayan görüntü işleme teknikleri ve makine öğrenmesine dayalı bir uygulama geliştirilmiştir. Öznitelik verisetleri ve sınıflandırıcı algoritmalarının en iyi uyumu ile sistemin öğrenmesi gerçekleştirilmiştir. Bu süreçte, önişlemden geçirilen görüntüdeki ilgi noktalarından öznitelikler çıkartılarak lezyonları temsil eden anlamlı bilgi elde edilmiştir. İlgi alanına ait özniteliklerin çıkarımı sürecinde Gabor ve Ayrık Fourier Dönüşümü öznitelikleri ile çalışılmış ve Yinelemeli Öznitelik Elemesi ve Spektral Regresyon Diskriminant Analizi algoritmaları kullanılarak en iyi öznitelik kümeleri elde edilmiştir. Ardından her bir öznitelik veriseti üzerinde Rastgele Orman ve Lojistik Regresyon sınıflandırıcı algoritmalarının performansları karşılaştırmalı olarak değerlendirilmiştir. Ayrıca deneysel çalışmalarda öznitelik seçimi veya öznitelik indirgeme ile elde edilen verisetleri üzerinde yapılan sınıflandırmanın orijinal veriseti ile yapılan sınıflandırmaya göre daha başarılı olduğu görülmüştür. Sistemin modellenmesi sürecinde DIARETDB1 verisetinden bir örneklem kümesi oluşturulmuştur. Hem DIARETDB1 hem de Ankara Atatürk Eğitim ve Araştırma Hastanesi Göz hastalıkları anabilim dalından temin edilen retinal fundus görüntüleri kullanılarak yeni retinal görüntülerin analizi gerçekleştirilmiştir. Her bir lezyon grubu için en iyi performans sunan iki model bilgisi ile geliştirilmiş olan hibrid karar verici sistemin mevcut retinal görüntü cihazları ile bütünleştirilerek alan uzmanlarına destek vereceği düşünülmektedir.Öğe Importance of attribute selection for parkinson disease(2020) Akyol, Kemal; Bayir, Şafak; Şen, BahaParkinson disease is a neurological disorder occurring at older ages. It is one of the most painful, dangerous and untreated diseases. In this study, a new application based on assessing the importance of attributes using the ranking techniques was carried out for diagnosis of this disease. The effects of the attributes on the Parkinson disease are determined by utilizing Stability Selection method. The selected attributes dataset and all attributes dataset have been sent as input data to the Random Forest and Logistic Regression algorithms in order to investigate the best model which is to be effective in the diagnosis of this disease. This study including the model which presented the best performance might be a powerful tool for effective diagnosis of this disease.Öğe Plant leaf disease classification using EfficientNet deep learning model(Elsevier, 2021) Atila, Umit; Ucar, Murat; Akyol, Kemal; Ucar, EmineMost plant diseases show visible symptoms, and the technique which is accepted today is that an experienced plant pathologist diagnoses the disease through optical observation of infected plant leaves. The fact that the disease diagnosis process is slow to perform manually and another fact that the success of the diagnosis is proportional to the pathologist's capabilities makes this problem an excellent application area for computer aided diagnostic systems. Instead of classical machine learning methods, in which manual feature extraction should be flawless to achieve successful results, there is a need for a model that does not need pre-processing and can perform a successful classification. In this study, EfficientNet deep learning architecture was proposed in plant leaf disease classification and the performance of this model was compared with other state-of-the-art deep learning models. The PlantVillage dataset was used to train models. All the models were trained with original and augmented datasets having 55,448 and 61,486 images, respectively. EfficientNet architecture and other deep learning models were trained using transfer learning approach. In the transfer learning, all layers of the models were set to be trainable. The results obtained in the test dataset showed that B5 and B4 models of EfficientNet architecture achieved the highest values compared to other deep learning models in original and augmented datasets with 99.91% and 99.97% respectively for accuracy and 98.42% and 99.39% respectively for precision.Öğe Retinal görüntülerde eksuda lezyonlarının tespiti üzerine bir çalışma(2020) Atıla, Ümit; Sabaz, Furkan; Akyol, KemalGöz yapısını etkileyen bir hastalık olarak bilinen şeker hastalığı gözün çalışmasını etkiler ve görme kaybına nedenolur. Diyabetik retinopati hastalarının şeker seviyesindeki aşırı artışa bağlı olarak bu hastaların retinalarında çeşitlilezyonlar oluşur. Bu lezyonların otomatik tespiti bu hastalığın erken teşhisi için önemli bir unsurdur. Bu çalışmada,diyabetik retinopati hastalarının retinalarındaki eksuda lezyonlarını otomatik olarak tespit eden bir metot önerilmektedir.Bu metot SURF anahtar nokta algoritması ile özellik çıkartımı ve sonrasında Destek Vektör Makineleri, Çok KatmanlıAlgılayıcı ve Rasgele Orman algoritmalarıyla lezyonların tespitini içermektedir. Önerilen yöntemin performansıDIARETDB0 ve DIARETDB1 veri tabanları üzerinde gözlemlenmiştir. Her iki veri tabanı içinde sırasıyla %95,8 ve%92,4 doğrulukla Rasgele Orman algoritması en başarılı sonuçları vermiştir. Bu algoritma ile tespit edilen eksudalezyonları, ilgili veri tabanlarının kesin referans bilgilerine dayanılarak sert ve yumuşak eksuda olarak etiketlenmiştir.Öğe A study on performance improvement of heart disease prediction by attribute selection methods(2019) Akyol, Kemal; Atila, ÜmitHeart pumps blood for all tissues of the body. The deteriorate of this organ causes a severe illness, disability and death since cardiovascular diseases involve the diseases that related to heart and circulation system. Determination of the significance of factors affecting this disease is of great importance for early prevention and treatment of this disease. In this study, firstly, the best attributes set for Single Proton Emission Computed Tomography (SPECT) and Statlog Heart Disease (STATLOG) datasets were detected by using feature selection methods named RFECV (Recursive Feature Elimination with cross-validation) and SS (Stability Selection). Secondly, GBM (Gradient Boosted Machines), NB (Naive Bayes) and RF (Random Forest) algorithms were implemented with original datasets and with datasets having selected attributes by RFECV and SS methods and their performances were compared for each dataset. The experimental results showed that maximum performance increases were obtained on SPECT dataset by 14.81% when GBM algorithm was applied using attributes provided by RFECV method and on STATLOG dataset by 6.18% when GBM algorithm was applied using attributes provided by RFECV method. On the other hand, best accuracies were obtained by NB algorithm when applied using attributes of SPECT dataset provided by RFECV method and using attributes of STATLOG dataset provided by SS method. The results showed that medical decision support systems which can make more accurate predictions could be developed using enhanced machine learning methods by RFECV and SS methods and this can be helpful in selecting the treatment method for the experts in the field.
