Enstitüler / Institutes
Permanent URI for this communityhttps://hdl.handle.net/11727/1390
Browse
351 results
Search Results
Item Farklı ekspansiyon apareylerinin ve cerrahi kesilerin maksiller ekspansiyona etkilerinin sonlu elemanlar analiziyle incelenmesi(Başkent Üniversitesi Sağlık Bilimleri Enstitüsü, 2024) Ateş, Ece Mercan; Pamukçu, HandeAmaç: Ortodontide rapid maksiller ekspansiyon protokolü ile maksillada iskeletsel transversal darlığın tedavisi sağlanır, bu yöntem fizyolojik sınırı aşan bir kuvvet iletimi sayesinde midpalatal suturanın ayrımını sağlar. Erişkinlerde ekspansiyonun yan etkilerinden kaçınmak için rutinde cerrahi destekli rapid maksiller ekspansiyon (SARPE) protokolü uygulanmaktadır. Son yıllarda ise özellikle SARPE‘ye alternatif bir protokol olarak mini vida destekli rapid maksiller ekspansiyon (MARPE) protokolü uygulanmaya başlamıştır. Bu çalışmanın amacı, farklı cerrahi tekniklerin ve üç farklı ekspansiyon apareyinin yetişkinlerde maksiller ekspansiyon üzerindeki etkisini, maksillada yer değiştirme ve çevre yapılar üzerindeki strese odaklanarak sonlu elemanlar analizi (FEA) kullanarak değerlendirmektir. Gereç ve yöntem: ANSYS yazılımı kullanılarak; MARPE, SARPE‘de uygulanan farklı cerrahi yaklaşımlar ve üç farklı ekspansiyon apareyini karşılaştırmak için yedi FEA modeli oluşturulmuştur. Model I, cerrahi yapılmadan mini vidalar ile sadece kemikten destek alan MARPE ekspansiyon apareyidir. Model II, Model III ve Model IV, pterygomaksiller sutura (PMS) ayrımı yapılmadan oluşturalan SARPE modelleridir. Model V, Model VI ve Model VII ise PMS ayrımı olan SARPE modelleridir. Bulgular: PMS ayrımı olmayan modellerde, ikinci molar dişten santral kesici dişe doğru z ekseni boyunca yer değiştirmede bir artış görülürken, PMS ayrımı olan modellerde tüm dişlerde eşit miktarda yer değiştirme bulunmuştur. Tüm modellerde, z ekseni boyunca yer değiştirme miktarı medial pterygoid çıkıntıda lateral pterygoid çıkıntıya göre daha fazla olmuştur. Stres analizine göre en yüksek stres, Model I‘de gözlenmiştir. Sonuç: MARPE modelinin mini vida bölgesinde stres değerleri belirgin bir şekilde daha yüksektir. Çeşitli ekspansiyon apareyi tasarımları, PMS ayrımı yapılan SARPE modellerinde birbirine çok yakın ve sıfıra yakın stres seviyeleri göstermiştir. MARPE modeli maksillada transversal ve yukarı doğru bir rotasyon göstermiştir. PMS ayrımı yapılmayan SARPE modellerinde, maksillada ‗V‘ şeklinde bir ekspansiyon modeli gözlenmiştir. Bunun aksine, PMS ayrımı yapılan modellerde maksillada paralel bir ekspansiyon modeli gözlenmiştir. Objective: In orthodontics, the rapid maxillary expansion protocol is used to treat skeletal transversal stenosis of the maxilla, which allows the separation of the midpalatal suture by means of a force transmission that exceeds the physiological limit. In adults, the surgically assisted rapid maxillary expansion (SARPE) protocol is routinely used to avoid the side effects of expansion. In recent years, the miniscrew-assisted rapid maxillary expansion (MARPE) protocol has been used as an alternative protocol to SARPE. The aim of this study was to evaluate the effects of different surgical techniques and three different expansion appliances on maxillary expansion in adults using finite element analysis (FEA), focusing on maxillary displacement and stress on surrounding structures. Materials and methods: Seven models were created using ANSYS software to compare different surgical approaches to MARPE, SARPE, and three different expansion appliances. Model I is the MARPE expansion appliance, which is supported with miniscrews without surgical assitance. Model II, Model III and Model IV are SARPE models without pterygomaxillary suture (PMS) separation. Model V, Model VI and Model VII are SARPE models with PMS separation. Results: In the models without PMS separation, there was an increase in displacement along the z-axis from the second molar to the central incisor, whereas in the models with PMS separation, an equal amount of displacement was found in all teeth. In all models, the amount of displacement along the z-axis was greater in the medial pterygoid process than in the lateral pterygoid process. According to the stress analysis, the highest stress was observed in Model I. Conclusion: The stress values were significantly higher in the miniscrew region of the MARPE model. The various appliance designs showed near zero stress levels in the PMS separated SARPE models. The MARPE model showed a transversal and upward rotation of the maxilla. In SARPE models without PMS seperation, a 'V' shaped expansion pattern was observed in the maxilla. In contrast, a parallel expansion pattern in the maxilla was observed in the models with PMS separation.Item Siyasi partiler arasında kurulan ittifakların seçmenlerin siyasi algıları ve davranışları üzerine etkileri: Samsun'un Atakum, İlkadım ve Terme ilçelerinde bir alan araştırması(Başkent Üniversitesi Avrupa Birliği ve Uluslararası İlişkiler Enstitüsü, 2024) Alkan, BoraBu çalışmanın amacı, 2018 yılında Türkiye Büyük Millet Meclisinde kabul edilen ve siyasi partiler arasında ittifakların kurulmasına imkân tanıyan düzenlemenin seçmenlerin oy verme davranışları üzerindeki etkilerini araştırmaktır. İttifakların farklı seçim türlerinde seçmenler üzerinde yarattıkları etkinin ölçülmesi için 31 Mart 2019 yerel seçimleri, 14 Mayıs 2023 milletvekili ve cumhurbaşkanı birinci tur seçimleri ve 28 Mayıs 2023 cumhurbaşkanı ikinci tur seçimleri araştırmaya dâhil edilmiştir. Çalışmada Samsun’un Atakum, İlkadım ve Terme ilçelerinde, yukarıda belirtilen seçimlerde oy kullanmış seçmenlerden elde edilen veriler betimsel ve içerik analizi tekniklerinden yararlanılarak analiz edilmiştir. Araştırma grubunun oluşturulmasında olasılığa dayalı olmayan örneklem tekniği benimsenmiş ve amaçlı örnekleme tekniklerinden ölçüt örnekleme tekniği kullanılmıştır. Araştırmada maksimum örneklem çeşitliliğini yansıtmak amacıyla Atakum, İlkadım ve Terme ilçelerinden toplam 10 mahalle belirlenmiş ve bu mahallelerde oy kullanmış 64 katılımcıyla yarı yapılandırılmış mülakatlar gerçekleştirilmiştir. Araştırma temel olarak iki büyük ittifak çatısını oluşturan Cumhur ve Millet ittifaklarının seçmenlerine odaklanmıştır. Araştırma bulguları, ittifakların farklı seçim türlerinde seçmenler üzerinde farklı siyasi ve sosyal etkiler yarattığını göstermektedir. Yapılan çalışma ittifakların seçmenler üzerinde yarattığı siyasi ve sosyal etkilerin temelinde seçmenlerin ideolojik kimliklerinin ve siyasi güven düzeylerinin belirleyici olduğunu göstermektedir. Bu iki temel etkenin dışında seçmenlerin; eğitim durumu, yaşadıkları yerin sosyoekonomik gelişmişlik düzeyi, yaş, cinsiyet gibi farklılıkları, ittifakların seçmen davranışları üzerindeki etkilerini belirleyen diğer unsurlar olarak karşımıza çıkmaktadır. Araştırma bulguları, seçmenlerin ideolojik kimlik ve siyasi güven kavramları etrafında oluşan oy tercihleri dikkate alındığında, ideolojik türdeşliğe sahip partiler arasında kurulacak ittifakların seçimlerde başarı şanslarının daha yüksek olacağını göstermektedir. İdeolojik kimlik farklılığı ve yüksek siyasi güvensizlik özellikle Millet İttifakı içerisinde yer alan dindar ve seküler seçmenler arasında ortaya çıkan siyasi uyuşmazlığın en önemli nedenleri olarak karşımıza çıkmaktadır. Bunun bir sonucu olarak yapılan çalışma dindar ve seküler seçmenlerin bir arada bulunduğu -Millet İttifakı örneğinde olduğu gibi- bir ittifak yapısının çok fazla rasyonel olmadığını ve yapılacak seçimlerde başarı şansının düşük olduğunu göstermektedir. Ancak bazı seçmen grupları arasındaki derin ideolojik kimlik farklılıklarına ve yüksek siyasi güvensizliğe rağmen seçmenlerin, uygun aday profilinin yaratılması durumunda sandıkta uzlaşabildikleri görülmektedir. Yapılan çalışma özellikle yerel seçim ve cumhurbaşkanı seçiminde seçmen beklentilerini karşılayan doğru adayların belirlenmesinin gerek seçmen-parti, gerekse ittifak-seçmen uyumunun yakalanmasında kilit rol oynadığını ve seçim sonuçları üzerinde önemli etki yarattığını göstermektedir. Dolayısıyla siyasi partilerin kuracakları ittifaklarda sadece siyasi etken ve sonuçları değil, aynı zamanda sosyal etken ve sonuçları da dikkate almaları gerektiği ancak bu şekilde kurulan ittifakların seçimlerde başarı şanslarının daha yüksek olabileceği sonucuna varılmıştır. The aim of this study is to investigate the effects of the regulation enacted in the Grand National Assembly of Turkey in 2018, which allows the formation of alliances between political parties, on the voting behaviour of voters. In order to measure the effects of alliances on voters in different types of elections, 31 March 2019 local elections, 14 May 2023 parliamentary and presidential first round elections and 28 May 2023 presidential second round elections were included in the study. In the study, the data obtained from voters who voted in the above-mentioned elections in Atakum, İlkadım and Terme districts of Samsun were analysed using descriptive and content analysis techniques. In the formation of the research group, non-probability based sampling technique was adopted and criterion sampling technique, one of the purposeful sampling techniques, was used. In order to reflect the maximum sample diversity in the research, a total of 10 neighbourhoods from Atakum, İlkadım and Terme districts were determined and semi-structured interviews were conducted with 64 participants who voted in these neighbourhoods. The research mainly focused on the voters of the Cumhur and Millet alliances, which constitute the two major alliances. The findings of the research show that alliances have different political and social effects on voters in different types of elections. The study shows that the ideological identities and political trust levels of the voters are the determinants of the political and social effects of alliances on voters. Apart from these two main factors, other factors determining the effects of alliances on voter behaviours are the educational level, socioeconomic development level of the place where the voters live, age and gender. The findings of the research show that when the voters' voting preferences formed around the concepts of ideological identity and political trust are taken into consideration, the alliances to be established between parties with ideological identity will have a higher chance of success in the elections. Ideological identity differences and high political distrust are the most important reasons for the political incompatibility between religious and secular voters, especially within the Millet Alliance. As a result, the study shows that an alliance structure in which religious and secular voters are together -as in the case of the Millet Alliance- is not very rational and has a low chance of success in the elections. However, despite the deep ideological identity differences and high political distrust among some voter groups, it is observed that voters can compromise at the ballot box if a suitable candidate profile is created. This study shows that especially in local elections and presidential elections, the selection of the right candidates who meet the expectations of voters plays a key role in achieving both voter-party and alliance-voter harmony and has a significant impact on election results. Therefore, it is concluded that political parties should take into account not only political factors and results but also social factors and results in the alliances they will establish, and only in this way can the alliances established in this way have a higher chance of success in the elections.Item The Turkish lip reading using deep learning method(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2023) Berkol, AliAutomated lip reading is a research problem that has developed considerably in recent years. Lip reading is evaluated both visually and audibly in some cases. Detecting an unwanted word from a security camera is an example of a visual lip-reading problem. Audio-visual datasets are not applicable where such image-only data is involved. Therefore, we may not have audio input in all cases. In certain cases, it is not feasible to obtain the audio input of the spoken word. In this study, we have gathered a novel Turkish dataset consisting solely of images. The dataset was generated using YouTube videos, which constitute an uncontrolled environment. Consequently, the images present challenging parameters with respect to environmental factors such as lighting conditions, angles, colors, and individual facial characteristics. Despite the variations in facial attributes like mustaches, beards, and makeup, the visual speech recognition problem was addressed using Convolutional Neural Networks (CNN) without making any modifications to the data. The problem was formulated with 10 classes, comprising single words and two-word phrases. While developing the study, comparisons were made with LSTM, BGRU, and Dilated CNN. The proposed study using only-visual data obtained a model which is automated visual speech recognition with a deep learning approach. In addition, since this study uses only-visual data, the computational cost and resource usage is less than in multi-modal studies. Also, we introduce introduced a novel approach called Concatenated Frame Images, which involved combining image frames into a single large frame. It is also the first known study to address the lip reading problem with a deep learning algorithm using a new dataset belonging to the Ural-Altaic languages. Otomatik dudak okuma, son yıllarda önemli ölçüde gelişen bir araştırma problemidir. Dudak okuma bazen görsel olarak, bazen de işitsel olarak değerlendirilmektedir. Güvenlik kamerasından istenmeyen bir kelimenin tespiti, görsel dudak okuma problemine bir örnektir. İlgili birimler sadece görüntü verilerinin olduğu durumlarda işitme-görsel veri setlerinden yararlanamazlar. Bu nedenle, tüm durumlarda ses girdisine sahip olmak mümkün değildir. Telaffuz edilen kelimenin ses girişini her zaman elde etmek mümkün değildir. Bu çalışmada yalnızca görüntü kullanılarak yeni bir Türkçe veri seti toplandı. Yeni veri seti, kontrolsüz bir ortam olan Youtube videoları kullanılarak oluşturulmuştur. Bu nedenle, görüntüler ışık, açı, renk ve yüzün kişisel özellikleri gibi çevresel faktörler açısından zor parametrelere sahiptir. Bıyık, sakal ve makyaj gibi farklı yüz özelliklerine rağmen, görsel konuşma tanıma problemi, veri üzerinde herhangi bir müdahale olmadan Konvolüsyonel Sinir Ağları (CNN) kullanılarak tek kelime ve iki kelime öbeklerini içeren 100 sınıfta geliştirilmiştir. Öte yandan çalışma geliştirilirken LSTM, BGRU ve Dilated CNN ile karşılaştırmalar yapılmıştır. Yalnızca görsel veri kullanılarak yapılan önerilen çalışma, derin öğrenme yaklaşımıyla otomatik görsel konuşma tanıma modeli elde etmiştir. Ayrıca, bu çalışma yalnızca görsel veri kullandığından çoklu modalite çalışmalarına göre hesaplama maliyeti ve kaynak kullanımı daha azdır. Ayrıca, Birleşik İmajlar Yönetimiyle, görüntü çerçevelerini tek bir büyük çerçeveye birleştirme işlemine dayandırarak klasik kesik yöntemle karşılaştırma yaptık. Ayrıca, bu çalışma, Ural-Altay dillerine ait yeni bir veri seti kullanarak derin öğrenme algoritmasıyla dudak okuma problemine yönelik yapılan ilk bilinen çalışmadır.Item Derin öğrenme yöntemleri ile akciğer grafilerinde patoloji sınıflandırılması(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Oltu, BurcuAkciğerler, solunum sisteminin temel organları olup yapısal bozukluklar, enfeksiyonlar veya çevresel etkenler nedeniyle işlev kaybına uğrayabilmektedir. COVID-19, tüberküloz, pnömoni, pulmoner fibröz, atelektazi, kardiyomegali ve pnömotoraks gibi akciğer hastalıkları erken evrede teşhis edilmediğinde ölümcül sonuçlara yol açabilmektedir. Bu nedenle akciğer hastalıklarının erken ve doğru şekilde teşhis edilmesi büyük önem taşımaktadır. Akciğer grafileri, düşük maliyet ve hızlı uygulanabilirlik gibi avantajlarıyla bu amaçla yaygın olarak kullanılmaktadır. Ancak örtüşen anatomik yapılar, sınırlı uzman sayısı ve yüksek görüntü hacmi gibi etkenler, bu görüntülerin yorumlanmasını zorlaştırmakta, günlük yaklaşık %3-5 oranında hata yapılmasına yol açmaktadır. Bu doğrultuda akciğer grafilerinin yorumlanabilmesi için radyologlara yardımcı olacak otomatik ve güvenilir teşhis sistemlerine duyulan ihtiyaç gün geçtikçe artmaktadır. Bu tez çalışmasında akciğer grafilerinin yüksek performansla sınıflandırılması amacıyla uçtan uca bir derin öğrenme modeli geliştirilmiş ve bu modelin başarısını artıracak özgün kayıp fonksiyonlarını önerilmiştir. Modelin omurgası olarak önceden eğitilmiş DenseNet201 mimarisi kullanılmıştır. DenseNet201’den çıkarılan öznitelik haritalarından daha zengin uzamsal bilgiler elde etmek amacıyla evrişimsel uzun kısa süreli bellek (Convolutional Long Short-Term Memory (ConvLSTM)) katmanı, kanal bazında özniteliklerin vurgulanması için sıkma-bırakma bloğu (Squeeze and Excitation (SE)) ve uzun menzilli bağımlılıkları yakalayan görü dönüştürücüler (Vision Transformer (ViT)) modele entegre edilmiştir. Ayrıca, küresel ortalama havuzlama (Global Average Pooling (GAP)) katmanı ile sınıflandırma için önemli uzamsal bilgilerin korunması sağlanmıştır. Bu bileşenlerin kombinasyonu ile önerilen model, yüksek sınıflandırma performansı sunmuştur. Çalışmada ayrıca, sınıflandırma başarısında önemli etkisi olan kayıp fonksiyonları derinlemesine incelenmiştir. Standart fonksiyonlara ek olarak hibrit ve dinamik yapılarda fonksiyonlar tasarlanmış, sınıflandırma eğilimlerine karşı ceza terimi içeren özgün bir fonksiyon önerilmiştir. Önerilen kayıp fonksiyonlarının avantajlarını bir araya getirerek sınıflandırma performansını artıracak farklı topluluk yaklaşımları uygulanmıştır. Bu fonksiyonların performansları sistematik olarak analiz edilmiş ve farklı modellerle de test edilerek modelden bağımsız başarı sağladığı gösterilmiştir. Başkent Üniversitesi Ankara Hastanesi Radyoloji Bölümü'nden elde edilen klinik veriler ile açık erişimli veri kümeleri birleştirilerek 7, 8, 9, 10, 12, 14 ve 15 sınıflı alt veri kümeleri oluşturulmuş ve her bir alt kümede önerilen model ve kayıp fonksiyonları detaylı şekilde test edilmiştir. Böylece hem veri kümesinden hem de sınıf sayısından bağımsız olarak modelin ve kayıp fonksiyonunun başarısı ortaya konmuştur. Elde edilen deneysel sonuçlar, önerilen yöntemin literatürdeki yaklaşımların çoğunu geride bıraktığını ve doğruluk, F1-skoru, AUC gibi performans metriklerinde yüksek başarı sergilediğini ortaya koymaktadır. Ayrıca modelin farklı senaryolarda tutarlı ve yüksek performans sergilemesi, güçlü bir genelleme yeteneğine sahip olduğunu kanıtlamaktadır. Sonuç olarak, bu tez kapsamında, akciğer grafilerinin otomatik olarak sınıflandırılmasını sağlayan yüksek performanslı ve tekrarlanabilir sonuçlar üreten yenilikçi bir model ve özgün kayıp fonksiyonları geliştirilmiştir. The lungs are the primary organs of the respiratory system and can lose functionality due to structural disorders, infections, or environmental factors. Lung diseases such as COVID-19, tuberculosis, pneumonia, pulmonary fibrosis, atelectasis, cardiomegaly, and pneumothorax may lead to fatal outcomes if not diagnosed at an early stage. Therefore, early and accurate diagnosis of lung diseases is crucial. Chest radiographs (CXRs) are widely used for this purpose due to their advantages, such as low cost, quick applicability, and low radiation dose. However, factors like overlapping anatomical structures, limited specialists, and high image volume make interpreting CXRs challenging, resulting in a daily error rate of 3–5%. Thus, the demand for automated and reliable diagnostic systems to assist radiologists in interpreting CXRs is increasing. In this thesis, an end-to-end deep learning model was developed for high-performance classification of CXRs, and novel loss functions were proposed to enhance the model’s performance. The pre-trained DenseNet201 architecture was used as the backbone. A Convolutional Long Short-Term Memory (ConvLSTM) layer to obtain richer spatial and temporal information from the feature maps obtained from DenseNet201, a Squeeze and Excitation (SE) block to emphasize channel-wise features, and Vision Transformers (ViT) to capture long-range dependencies were integrated into the model. In addition, a Global Average Pooling (GAP) layer was used to preserve important spatial information for classification. The combination of these components enabled high classification performance. The study also examined the often-overlooked role of loss functions in classification performance. Beyond standard functions, hybrid and dynamic structures were designed. A custom function with a penalty term was proposed to improve sensitivity to misclassification. Ensemble approaches combining the strengths of proposed loss functions were implemented. These loss functions were systematically analyzed and tested with various models, demonstrating architecture-independent success. To evaluate the performance and generalization ability of the proposed model and loss functions, a comprehensive dataset was created by combining clinical images from Başkent University Ankara Hospital with open-access datasets. This dataset was divided into subsets containing 7, 8, 9, 10, 12, 14, and 15 classes, and extensive testing was conducted on each subset. Results showed that the proposed method outperforms many existing approaches in the literature, achieving superior accuracy, F1-score, and AUC. The model’s consistent performance in various scenarios demonstrated strong generalization. In conclusion, this thesis presents a novel deep learning model and original loss functions that produce high-performance and reproducible results for the automatic classification of CXRsItem Derin öğrenme yaklaşımları ile meme kanseri tespiti ve sınıflandırması(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Karaca Aydemir, Büşra KübraMeme kanseri, dünya çapında kadınlar arasında kanserle ilişkili ölümlerin başlıca nedenlerinden biridir. Erken teşhis ve doğru tanı, sağkalım oranlarını artırmak ve etkili bir tedavi planlamak açısından çok önemlidir. Mamografi, meme kanseri taramasında anormallikleri erken evrede tespit edebilen temel görüntüleme yöntemidir. Mamografik bulgular arasında kitleler, en yaygın ve tanı açısından en kritik lezyonlardır. Mamografi görüntüleri genellikle radyologlar tarafından manuel olarak değerlendirilmekte, ancak lezyon çeşitliliği, yoğun meme dokusu ve yüksek görüntü sayısı süreci zorlaştırmakta; değerlendirmeyi zaman alıcı ve yorucu hâle getirmektedir. Ayrıca, deneyim farklılıkları ve uzun incelemelere bağlı dikkat dağınıklığı tanı doğruluğunu olumsuz etkileyebilmektedir. Son yıllarda, özellikle derin öğrenmeye dayalı yapay zekâ uygulamaları, tıbbi görüntüleme tanı süreçlerinde önemli ilerlemeler sağlamıştır. Bu alanda öne çıkan You Only Look Once (YOLO) algoritması, gerçek zamanlı nesne tespiti ve sınıflandırma yeteneğiyle öne çıkmaktadır. Bu sayede, mamografi görüntülerinde anormalliklerin hızlı ve doğru şekilde belirlenmesine olanak sağlayarak klinik tanı süreçlerine destek olma potansiyeli taşımaktadır. Bu tez çalışmasında, mamografi görüntülerinde meme kitlelerini tespit ve sınıflandırmak amacıyla YOLO tabanlı bir derin öğrenme modeli geliştirilmiştir. Bu kapsamda, YOLOv5, YOLOv8 ve YOLOv9 (GELAN) mimarileri temel alınmış; bu modellere çeşitli dikkat modülleri ve evrişimsel bloklar entegre edilerek farklı model varyantları oluşturulmuştur. Modeller, CBIS-DDSM, VinDr-Mammo ve bu iki kümenin birleşimiyle oluşturulan veri setleri kullanılarak sıfırdan eğitilmiş, ardından INBreast veri kümesi üzerinde beş katlı çapraz doğrulama yöntemiyle ince ayar uygulanmıştır. Ayrıca, farklı veri artırma stratejilerinin model performansına etkisi değerlendirilmiştir. INBreast üzerinde en yüksek başarıyı gösteren model varyantları, klinik uygulanabilirliği test etmek amacıyla Başkent Üniversitesi Ankara Hastanesi’ne ait veri kümesiyle de ince ayara tabi tutulmuştur. CBIS-DDSM + VinDr-Mammo → INBreast senaryosunda GELAN-c mimarisine derinlemesine evrişim (DWConv) ve Evrişimli Blok Dikkat Modülü (CBAM) entegre edilerek geliştirilen model varyantı (GELAN-c + DWConv + CBAM), varsayılan veri artırma konfigürasyonu ile 0.878 mAP@0.5 skoruna ulaşmış ve çalışmadaki en yüksek performansı göstermiştir. CBIS-DDSM + VinDr-Mammo → Başkent senaryosunda ise, YOLOv5s mimarisine Verimli Çok-Ölçekli Dikkat (EMA) modülü entegre edilerek oluşturulan model varyantı (YOLOv5s + EMA), varsayılan + mixup veri artırma kombinasyonu ile 0.848 mAP@0.5 skoruna ulaşmıştır. Bu sonuçlar, geliştirilen YOLO tabanlı model varyantları hem literatür veri kümelerinde hem de gerçek klinik görüntülerde yüksek başarı sağladığını ve klinik karar destek sistemlerine entegre edilebilecek potansiyele sahip olduğunu göstermektedir. Breast cancer is one of the leading causes of cancer-related deaths among women worldwide. Early detection and accurate diagnosis are crucial for improving survival rates and planning effective treatment. Mammography is the primary imaging method for breast cancer screening, detecting abnormalities at an early stage. Among mammographic findings, masses are the most common and diagnostically significant lesions. Mammograms are often evaluated manually by radiologists; however, the diversity of lesions, dense breast tissue, and large image volumes make this process challenging, time-consuming, and labor-intensive. Furthermore, differences in experience levels and attention fatigue caused by prolonged examinations can negatively affect diagnostic accuracy. In recent years, artificial intelligence applications, particularly those based on deep learning, have made significant contributions to medical imaging diagnostics. The You Only Look Once (YOLO) algorithm, a leading approach in this field, stands out with its real-time object detection and classification capabilities. This allows for the rapid and accurate identification of abnormalities in mammograms, offering potential support to clinical diagnostic workflows. In this thesis, a YOLO-based deep learning model was developed to detect and classify breast masses in mammograms. The YOLOv5, YOLOv8, and YOLOv9 (GELAN) architectures were utilized, and various attention modules and convolutional blocks were integrated into these models to generate different model variants. These models were trained from scratch using CBIS-DDSM, VinDr-Mammo, and their combined dataset. Then, fine-tuning was performed on the INBreast dataset using five-fold cross-validation. Furthermore, the effects of different data augmentation strategies on model performance were analyzed. The best-performing model variants on the INBreast dataset were further fine-tuned using a dataset obtained from Başkent University Ankara Hospital to evaluate clinical applicability. In the CBIS-DDSM + VinDr-Mammo → INBreast scenario, the model variant (GELAN-c + DWConv + CBAM), which integrates depth-wise convolution (DWConv) and the Convolutional Block Attention Module (CBAM) into the GELAN-c architecture, achieved a mAP@0.5 score of 0.878 with the default data augmentation configuration, representing the highest performance in the study. In the CBIS-DDSM + VinDr-Mammo → Başkent scenario, the model variant (YOLOv5s + EMA) created by integrating the Efficient Multi-Scale Attention (EMA) module into the YOLOv5s architecture, achieved a mAP@0.5 score of 0.848 using the default + mixup augmentation strategy. These results demonstrate that the proposed YOLO-based model variants achieved high performance on both public datasets and real clinical images and show strong potential for integration into clinical decision support systems.Item Kara muharebe araçları için yapay zekâ tabanlı hedef tespit sistemi(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Tütüncüoğlu, Reşat AliModern askeri istihbarat sistemleri sürekli olarak gelişmektedir. Özellikle kara kuvvetlerinin muharebe sahasında görev aldığı ortamda, muharebe araçlarının sınıflandırması çok önemli hale gelmiştir. Farklı tipteki muharebe araçlarının yeteneklerini ve zafiyetlerini belirlemek, etkili taktik ve stratejiler geliştirmek hayati öneme haizdir. Yapay zekâ destekli olarak askeri araçların sınıflandırılmasında; görüntü işleme, kalıp tanıma ve derin öğrenme teknolojilerinin kullanımı geçmişe kıyasla daha uygulanabilir hale gelmiştir. "Sadece Bir Kez Bakarsınız - You Only Look Once" (YOLO) algoritması, nesne tespiti ve görüntü sınıflandırmasında belirgin avantajlar sunmaktadır. YOLO, hedeflerin hızlı bir şekilde tespit edilmesini sağlayarak gerçek zamanlı nesne tahminleri yapma yeteneğine sahiptir. YOLO algoritmasının; yüksek doğruluk oranı ile tespit ve değerlendirme süreçlerine katkıda bulunması, muharebe sahasındaki personele önemli bir destek sunar. Özellikle düşük arka plan hataları ile doğru sonuçlar üretebilmesi ve genel nesne temsilini anlaması, bu yöntemin etkinliğini artırmaktadır. Bu tez çalışmasında, muharebe araçlarının tespiti için YOLO Algoritması kullanılmıştır. Mobil kullanımlara uygunluğu ve performans değerlendirmelerinde gösterdiği başarı nedeniyle, tez çalışmasında YOLOv8m modeli tercih edilmiştir. Model üzerine eklenen Sıkıştırma ve Uyarım Bloğu ile performansı daha da arttırılmıştır. Çalışma, elektro-optik sistemler aracılığıyla elde edilen görüntüleri kullanarak hedeflerin detaylı özelliklerinin tespit edilmesi ve karar destek sürecine odaklanmaktadır. Bu tez çalışmasının amacı, hedef yönetim sistemlerinin temel bileşenlerinin belirlenmesi ve tanımlanmasına katkı sağlayarak karar destek süreçlerini güçlendirmektir. Süreç, özel nitelikli veri toplama, ön işleme, segmentasyon, temel özellik çıkarımı, sınıflandırma, gelişmiş özellik çıkarımı ve karar destek matrisleri kullanılarak kullanıcıya önerilerde bulunulmasını içeren derin öğrenmeye dayalı bir “Hedef Belirleme ve Tanımlama - Target Detection and Identification” (HBT - TDI) sisteminin geliştirilmesini kapsamaktadır. Geliştirilen model, görüntü işleme ve nesne tespitinde önemli avantajlar sağlamaktadır.Ayrıca, tasarlanan model ile ilave bir donanım gerektirmeden, mevcut elektro-optik cihazlarını kullanarak muharebe araçlarının, tespitinin pasif bir şekilde tanımlanması, gözlemcinin konumunu açığa çıkarmadan mesafe tahmininde bulunarak karar desteğin sağlanması gerçekleştirilmektedir. Model, yüksek doğrulukta (mAP- mean avarege precision) %88,38 gerçek zamanlı tahminler sağlayarak, bilinçli kararlar alınmasına yardımcı olmakta ve riskleri minimize etmektedir.Modern military intelligence systems are continuously evolving. Particularly in environments where ground forces operate on the battlefield, the classification of combat vehicles has become critically important. Identifying the capabilities and vulnerabilities of various types of combat vehicles is essential for developing effective tactics and strategies. The use of artificial intelligence in the classification of military vehicles, through image processing, pattern recognition, and deep learning technologies, has become more feasible compared to the past. "You Only Look Once" (YOLO) algorithm provides significant advantages in object detection and image classification. YOLO possesses the ability to rapidly detect targets, enabling real-time object predictions. The algorithm's contribution to detection and evaluation processes with high accuracy offers substantial support to military personnel on the battlefield. Its ability to produce accurate results with low background errors and to understand general object representation further enhances the effectiveness of this method. In this thesis, the YOLO algorithm has been employed for the detection of combat vehicles. The YOLOv8m model has been selected due to its suitability for mobile applications and its demonstrated success in performance evaluations. The performance has been further enhanced with the addition of the squeeze and excitation block to the model. The study focuses on detecting detailed characteristics of targets using images obtained through electro-optical systems and emphasizes the decision support process. The objective of this thesis is to contribute to the identification and definition of the fundamental components of target management, thereby strengthening decision support processes. The process encompasses the development of a deep learning-based "Target Detection and Identification" (TDI) system, which includes specialized data collection, pre-processing, segmentation, basic feature extraction, classification, advanced feature extraction, and the provision of recommendations to users through decision support matrices. The developed model offers substantial advantages in image processing and object detection. Moreover, with the designed model, the passive identification of combat vehicles can be achieved using existing electro-optical devices, without requiring additional hardware, by estimating distances while keeping the observer's position concealed. The model provides real-time predictions with high accuracy (mAP 83.6%), thereby assisting in informed decision-making and minimizing risks.Item Gezgin satıcı probleminde genetik algoritmalar için yeni seçilim operatörlerinin geliştirilmesi(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Dalkılıç, Şahin BurakGezgin satıcı problemi (GSP) rota planlama, baskı devre kart tasarımı, bilgisayar kablolama, üretim planlama gibi birçok gerçek hayat problemlerinde kullanılmaktadır. GSP’nin çözümü için meta-sezgisel algoritmalar yani, Tavlama benzetimi, karınca kolonisi, sinir ağları, tabu arama, parçacık sürüsü optimizasyonu ve genetik algoritma kullanılmaktır. Son yıllarda, araştırmacılar genetik algoritması üzerinde keşif ve sömürü arasındaki dengenin iyileştirilmesi amacıyla, seçilim, mutasyon ve çaprazlama operatörleri önermişlerdir. Literatürde yer alan 6 seçilim operatörü, 6 mutasyon operatörü ve 11 çaprazlama operatörü uygulanmış ve yöntemlerin performansları yakınsama oranları ve hesaplama süreleri açısından değerlendirilmiştir. Ayrıca keşif ve sömürü dengesini iyileştirmek amacıyla, Keşif-Sömürü Denge Seçim (KSDS) ve Hibrit Seçim operatörleri (HS) önerilmiştir. Yöntemler, 30 farklı TSPLIB veri setinde ve çelik üretim verilerinde test edilmiş ve kritik fark diyagramları kullanılarak yöntemler arasındaki istatiksel farklar görselleştirilmiştir. Ayrıca yöntemlerin birbirinden ne derece iyileştirilmiş olduğunu gözlemlemek için t-test istatiksel testleri yapılmıştır. Sonuçlar önerilen seçim operatörlerinin literatürdeki diğer yöntemlere kıyasla daha etkili performans gösterdiği görülmüştür. Mutasyon yöntemlerinde Değişim Mutasyon (DM) operatörü en etkili sonuçları verirken, çaprazlama yöntemlerinde ise Geliştirilmiş Açgözlü Çaprazlama (GAÇ) yöntemi en iyi sonuçları vermiştir. Traveling salesman problem (TSP) is used in many real-world problems such as route planning, printed circuit board design, computer wiring, production planning. Meta-heuristic algorithms such as simulated annealing, ant colony, neural networks, tabu search, particle swarm optimization and genetic algorithm are used to solve TSP. In recent years, researchers have proposed selection, mutation and crossover operators in order to improve the balance between exploration and exploitation on genetic algorithm. 6 selection operators, 6 mutation operators and 11 crossover operators in the literature were applied and the performances of the methods were evaluated in terms of convergence rates and computation times. In addition, Exploration-Exploration Balance Selection (EEBS) and Hybrid Selection (HS) operators were proposed to improve the balance between exploration and exploitation. The methods were tested on 30 different TSPLIB data sets and steel production data and statistical differences between the methods were visualized using critical difference diagrams. In addition, t-test statistical tests were performed to observe to what extent the methods were improved from each other. The results show that the proposed selection operators perform better than other methods in the literature. In mutation methods, the Swap Mutation (SWPM) operator gives the most effective results, while in crossover methods, the Improved Greedy Crossover (IGX) method gives the best results.Item Proje bütçe tahsisi için bulanık programlamaya dayalı bir değerlendirme süreci ve karar destek sistemi önerisi(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Budak, Seda NurAraştırma ve geliştirme projelerinin değerlendirilmesi ve finansman kararlarının etkinliği ile stratejik tutarlılığının artırılması, kamu kaynaklarının verimli kullanımı açısından kritik bir gerekliliktir. Mevcut uygulamalarda karşılaşılan güncelliğini yitirmiş, ağırlıkları sezgisel olarak atanmış ve kurumsal önceliklerle uyumlu olmayan değerlendirme kriterleri, kaynak tahsisinde etkinliği azaltan önemli bir sorun oluşturmaktadır. Bu kapsamda, uzman görüşleri ve literatür analizi yoluyla belirlenen kriterlerin görece önemleri Shannon entropisi ile nesnel olarak değerlendirilmiş ve sistematik bir değerlendirme çerçevesi tasarlanmıştır. Proje önerileri, k-ortalamalar kümeleme algoritması kullanılarak belirli profil gruplarına sınıflandırılmış ve bu profiller ile değerlendirme puanlarına dayalı olarak bütçe tahsisini optimize etmek amacıyla bir bulanık matematiksel programlama modeli geliştirilmiştir. Ayrıca, sürecin kurumsal ortamlarda uygulanabilirliğini artırmak için kullanıcı dostu bir karar destek sistemi tasarlanarak değerlendirme iş akışına entegre edilmiştir. Sonuçlar, önerilen yaklaşımın daha hızlı, açık, izlenebilir ve stratejik olarak uyumlu değerlendirmeler sağladığını ve duyarlılık analizleriyle modelin sağlamlığının doğrulandığını ortaya koymaktadır. Bu bulgular, kurumsal karar alma süreçlerinin optimizasyonu, ulusal önceliklerle daha etkili uyum sağlanması ve Ar-Ge destek mekanizmalarının genel etkinliği ile izlenebilirliğinin güçlendirilmesi açısından önemli katkılar sunmaktadır. Improving the effectiveness and strategic consistency of research and development evaluation and funding decisions is a critical requirement for the efficient use of public resources. In current practice, obsolete evaluation criteria with subjectively assigned weights and inadequate alignment with institutional priorities pose a substantial challenge that reduces the effectiveness of resource allocation. The significance of criteria determined through expert consultation and literature review was objectively assessed using Shannon entropy, and a systematic evaluation methodology was established. Project proposals were classified into specific profile groups utilizing the k-means clustering algorithm, and a fuzzy mathematical programming model was formulated to optimize budget allocation based on these profiles and evaluation scores. A user-friendly decision support system was designed and integrated into the evaluation workflow to enhance practical applicability in institutional contexts. The findings indicate that the suggested methodology facilitates expedited, clearer, more traceable, and strategically aligned assessments, with sensitivity studies validating the model's resilience. These findings significantly enhance institutional decision-making, improve alignment with national priorities, and strengthen the efficiency and traceability of R&D support mechanisms.Item Tiroid ultrasonografisinde hibrit derin öğrenme yöntemleri ile otomatik nodül segmentasyonu(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Erdemir Aytekin, ElifnurTiroid nodülleri, tiroid bezinde normal dokudan farklı olarak gelişen, genellikle iyi huylu olmakla birlikte belirli bir oranda malign potansiyel taşıyan kitlelerdir. Toplumda oldukça yaygın görülen bu oluşumlar, ultrasonografi ile yüksek oranda tespit edilebilmektedir. Ancak nodüllerin doğru şekilde sınırlarının belirlenmesi hem malignite riskinin değerlendirilmesi hem de takip ve tedavi planlamasında kritik öneme sahiptir. Bu tez çalışmasında, tiroid ultrasonografisi görüntülerinden nodüllerin otomatik segmentasyonu amacıyla hibrit bir derin öğrenme modeli geliştirilmiştir. Önerilen yöntem, “EfficientNet” tabanlı yerel özellik çıkarım kapasitesini “Vision Transformer” tabanlı küresel bağlam farkındalığı ile birleştiren çift kodlayıcı mimariye sahiptir. Ek olarak nodül sınırlarının daha hassas belirlenebilmesi için sınır farkındalıklı özel bir kayıp fonksiyonu tasarlanmıştır. Modelin performansı TN3K ve DDTI veri kümeleri üzerinde kapsamlı olarak test edilmiş ve literatürdeki güncel yöntemlerle karşılaştırılmıştır. Elde edilen sonuçlar doğrultusunda geliştirilen hibrit yaklaşım, klinik uygulamalarda tiroid nodüllerinin hızlı, güvenilir ve standart segmentasyonunu sağlayarak tanısal doğruluğu artırma ve hekimlerin iş yükünü azaltma potansiyeline sahiptir. Thyroid nodules are masses that develop in the thyroid gland, distinct from normal tissue, and are generally benign but carry a certain degree of malignant potential. These highly prevalent lesions are highly detectable by ultrasonography. However, accurate delineation of nodules is critical for both assessing malignancy risk and planning follow-up and treatment. In this thesis, a hybrid deep learning model was developed for the automatic segmentation of nodules from thyroid ultrasound images. The proposed method utilizes dual-encoder architecture that combines EfficientNet-based local feature extraction capabilities with Vision Transformer-based global context awareness. Additionally, a custom boundary-aware loss function was designed to more precisely define nodule boundaries. The model's performance was extensively tested on the TN3K and DDTI datasets and compared with current methods in the literature. Based on the obtained results, the developed hybrid approach has the potential to increase diagnostic accuracy and reduce physician workload by providing fast, reliable, and standardized segmentation of thyroid nodules in clinical practice.Item Sign language recognition with zero-shot learning(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2024) Giray Sercan, Özcan; Emre, SümerSign language holds great importance for a specific segment of society. Automating Sign Language Recognition (SLR) using machine learning is crucial for facilitating communication between different segments of society. However, creating the necessary labeled data for this task is very challenging. Furthermore, the evolution and changing meanings of sign language words over time make this field even more difficult. This work presents a novel approach to Zero-Shot Sign Language Recognition (ZSSLR). Using hand and landmark data extracted from the signer’s body data, the signer’s hand and body have been modeled. To determine which of the extracted and modeled features are more important for this purpose, a data grading method was applied. In Zero-Shot Learning (ZSL), datasets containing descriptions of the movements in sign language videos were used. The results were tested on two benchmarkable ZSL datasets and demonstrated in ZSL and Generalized Zero-Shot Learning (GZSL) settings. ˙I ¸saret dili, toplumun belirli bir kesimi için büyük önem ta¸sımaktadır. ˙I¸saret Dili Tanımanın (SLR) makine ö˘grenmesi kullanılarak otomatikle¸stirilmesi, toplum kesimlerinin ileti¸simini kolayla¸stırmak için çok önemlidir. Ancak, bu görev için gerekli olan etiketlenmi¸s verilerin olu¸sturulması oldukça zordur. Dahası, zaman içinde i¸saret dili kelimelerinin evrim geçirip anlamlarının de˘gi¸smesi bu alanı daha da zor hale getirmektedir. Bu çalı¸sma, Sıfır- Shot˙I ¸saret Dili Tanıma (ZSSLR) için yenilikçi bir yakla¸sım sunmaktadır. ˙I¸saretçinin vücut verilerinden çıkarılan el ve landmark verileri kullanılarak, i¸saretçinin el ve vücudu modellenmi ¸stir. Çıkarılan ve modellenen özniteliklerin bu amaç için hangisinin daha önemli oldu˘gunu belirlemek amacıyla bir veri derecelendirme yöntemi uygulanmı¸stır. Sıfır-Shot Ö˘grenmede (ZSL), i¸saret dili videolarında yapılan hareketlerin tanımlarını içeren veri kümeleri kullanılmı ¸stır. Sonuçlar, iki kar¸sıla¸stırılabilir ZSL veri kümesinde test edilmi¸s ve ZSL ve Genel Sıfır-Shot Ö˘grenme (GZSL) ayarlarında gösterilmi¸stir.