Browsing by Author "Soylu, Hanifi"

Now showing 1 - 6 of 6

Citation - WoS: 5
Citation - Scopus: 5
Classification of Medical Thermograms Belonging Neonates by Using Segmentation, Feature Engineering and Machine Learning Algorithms
(INT INFORMATION & ENGINEERING TECHNOLOGY ASSOC, 2020) Örnek, Ahmet Haydar; Ervural, Saim; Ceylan, Murat; Konak, Murat; Soylu, Hanifi; Savaşçı, Duygu
Monitoring and evaluating the skin temperature value are considerably important for neonates. A system detecting diseases without any harmful radiation in early stages could be developed thanks to thermography. This study is aimed at detecting healthy/unhealthy neonates in neonatal intensive care unit (NICU). We used 40 different thermograms belonging 20 healthy and 20 unhealthy neonates. Thermograms were exported to thermal maps, and subsequently, the thermal maps were converted to a segmented thermal map. Local binary pattern and fast correlation-based filter (FCBF) were applied to extract salient features from thermal maps and to select significant features, respectively. Finally, the obtained features are classified as healthy and unhealthy with decision tree, artificial neural networks (ANN), logistic regression, and random forest algorithms. The best result was obtained as 92.5% accuracy (100% sensitivity and 85% specificity). This study proposes fast and reliable intelligent system for the detection of healthy/unhealthy neonates in NICU.
Citation - Scopus: 7
Heart Disease Detection From Neonatal Infrared Thermograms Using Multiresolution Features and Data Augmentation
(2020) Savaşcı, Duygu; Ceylan, Murat; Örnek, Ahmet Haydar; Konak, Murat; Soylu, Hanifi
Monitoring temperature changes of infants in the neonatal intensive care unit is very important. Especially for premature and very low birthweight infants, determining temperature changes in their skin immediately is extremely significant for follow-up processes. The development of medical infrared thermal imaging technologies provides accurate and contact-free measurement of body temperature. This method is used to detect thermal radiation emitted from the body to obtain skin temperature distributions. The purpose of this study is to develop an analysis system based on infrared thermal imaging to classify neonates who are healthy and suffering from heart disease using their skin temperature distribution. In this study, 258 infrared thermograms obtained applying data augmentation on 43 infrared thermograms captured from the Neonatal Intensive Care Unit were used. The following operations were performed: firstly, images were segmented to eliminate unnecessary details on the thermogram. Secondly, the features of the image were extracted applying Discrete Wavelet Transform (DWT), Ridgelet Transform (RT), Curvelet Transform (CuT), and Contourlet Transform (CoT) which are multiresolution analysis methods. Finally, these features are classified as healthy and unhealthy using classification methods such as Artificial Neural Network (ANN), Support Vector Machine (SVM) and Random Forest (RF). The best results were obtained with SVM as 96.12% of an accuracy, 94.05% of a sensitivity and 98.28% of a specificity.
Citation - WoS: 3
Citation - Scopus: 6
Involution-Based Harmonynet: an Efficient Hyperspectral Imaging Model for Automatic Detection of Neonatal Health Status
(ELSEVIER SCI LTD, 2025) Cihan, Muecahit; Ceylan, Murat; Konak, Murat; Soylu, Hanifi
Background and Objective: Neonatal health is critical for early infant care, where accurate and timely diagnoses are essential for effective intervention. Traditional methods such as physical exams and laboratory tests may lack the precision required for early detection. Hyperspectral imaging (HSI) provides non-invasive, detailed analysis across multiple wavelengths, making it a promising tool for neonatal diagnostics. This study introduces HarmonyNet, an involution-based HSI model designed to improve the accuracy and efficiency of classifying neonatal health conditions. Methods: Data from 220 neonates were collected at the Neonatal Intensive Care Unit of Sel & ccedil;uk University, comprising 110 healthy infants and 110 diagnosed with conditions such as respiratory distress syndrome (RDS), pneumothorax (PTX), and coarctation of the aorta (AORT). The HarmonyNet model incorporates involution kernels and residual blocks to enhance feature extraction. The model's performance was evaluated using metrics such as overall accuracy, precision, recall, and area under the curve (AUC). Ablation studies were conducted to optimize hyperparameters and network architecture. Results: HarmonyNet achieved an AUC of 98.99%, with overall accuracy, precision and recall rates of 90.91%, outperforming existing convolution-based models. Its low parameter count and computational efficiency proved particularly advantageous in low-data scenarios. Ablation studies further demonstrated the importance of involution layers and residual blocks in improving classification accuracy. Conclusions: HarmonyNet represents a significant advancement in neonatal diagnostics, offering high accuracy with computational efficiency. Its non-invasive nature can contribute to improved health outcomes and more efficient medical interventions. Future research should focus on expanding the dataset and exploring the model's potential in multi-class classification tasks.
Neonatal Hiperspektral Görüntü Sınıflandırması için 3 Boyutlu Evrişimli Sinir Ağları ile Boyut İndirgeme Yöntemlerinin Karşılaştırmalı Analizi
(2023) Cihan, Mücahit; Çevik, Mahmut; Yılmaz, Nezahat; Konak, Murat; Soylu, Hanifi; Ceylan, Murat
Hiperspektral Görüntüleme (HSG) verilerinin yüksek boyutlu olması, sınıflandırma performansını olumsuz etkilemektedir. Bu nedenle, birçok HSG sınıflandırma uygulamasında, yüksek boyutlu verilerle başa çıkmak için boyut indirgeme yöntemlerine başvurulmaktadır. Boyut indirgeme yöntemleri, kullanışlı özelliklerin elde edilmesini hedeflemektedir. Bu sürecin sonucunda veri boyutu azaltılmakta ve işlem maliyeti düşürülmektedir. Bu çalışmada, neonatal HSG sınıflandırma başarısını artırmak için veriler üzerine çeşitli boyut indirgeme yöntemleri uygulanmıştır. Hem uzamsal hem de spektral özelliklere erişebilen özel bir 3 boyutlu evrişimli sinir ağı (3B-ESA) modeli sınıflandırma için kullanılmıştır. Birçok boyut indirgeme yöntemi farklı performans değerlendirme ölçütleri kullanılarak değerlendirilmiş ve Temel Bileşenler Analizi (TBA) ile en iyi sonuca ulaşılmıştır. TBA, genel doğruluk oranı dışında boyut indirgeme süresi bakımından diğer yöntemlere kıyasla oldukça başarılı olmuştur. Bu sayede TBA, anlamlı spektral özelliklerin daha kısa bir sürede elde edilmesini sağlayarak hesaplama maliyetini düşürmüştür. Ayrıca, Negatif Olmayan Matris Ayrışımı (NOMA) ve Yerel Doğrusal Gömme (YDG) yöntemleri de başarılı sonuçlar vermiştir. t-Dağıtılmış Stokastik Komşu Gömme (t-SKG) yöntemi, iyi sonuçlar vermesine rağmen boyut indirme işleminde en fazla süreyi alan yöntem olmuştur. Sonuç olarak, bu çalışma neonatal hiperspektral görüntü sınıflandırmasında çeşitli boyut indirgeme yöntemlerinin başarılı sonuçlar elde edilmesini sağlayabileceğini göstermektedir. Bu tür tekniklerin kullanılması, yüksek boyutlu HSG verilerini daha işlenebilir hale getirerek sınıflandırma performansını artırmaktadır.
Yeni Doğan Yoğun Bakim Üniteleri İçin Termal Görüntüleme Tabanli Ön-teşhis Sistemi
(2019) Konak, Murat; Ceylan, İbrahim Murat; Soylu, Hanifi; Sündüs Uygun, Saime
Dünya Sağlık Örgütü verilerine göre dünyada her yıl yaklaşık 15 milyon bebek 37?nci gebelik haftasından önce doğmaktadır. Özellikle çok erken doğum olarak adlandırılan 32 haftadan önce doğan bebeklerin her yıl yaklaşık 1 milyonunun hayatını kaybettiği bilinmektedir. Yenidoğan yoğun bakım ünitelerinde yer alan kuvözlerde bakım ve tedavileri yapılan erken doğmuş ve çok düşük doğum ağırlığına sahip bebeklerin dakikalar içinde değişim gösterebilen vücut sıcaklıklarının hızla tespit edilmesi, sağlık durumlarının izlenmesinde önem kazanmaktadır. Mevcut sistemlerle anlık sıcaklık değişimlerinin belirlenemediği ve yorumlanamadığı dolayısıyla erken teşhis yapılamadığı için tedavi edilebilecek birçok hastalığın bebeklerde ölüme yol açtığını düşünülmektedir. Dolayısıyla sıcaklığın doğru ölçümü ve sıcaklık değişimlerinin hızlı bir şekilde tespit edilmesi yenidoğan takibi için kritik noktalar arasındadır. Medikal termografi teknolojilerinin hızlı gelişimi, sıcaklığın temassız ve doğru bir şekilde ölçülmesine imkân sağlamaktadır. Non-invazif, iyonize olmayan, hızlı ve güvenilir bir metot olan kızılötesi termal görüntülemenin yenidoğan yoğun bakım ünitesinde kullanılması son zamanlarda önem kazanmıştır. Proje çalışması ile yenidoğan yoğun bakım ünitesinde bulunan bebeklerin termal görüntüleri alınmış ve bu termal görüntülerdeki farklılıklar analiz edilerek bir ön tanı sistemi oluşturulmuştur. İlk kez bu proje çalışmasında yenidoğan bebeklerin termal görüntülerine çoklu çözünürlük analiz yöntemleri uygulanmış ve sınıflandırma performansı değerlendirilmiştir. Çoklu çözünürlük analiz yöntemleri, segmente edilmiş görüntülerden özellik çıkarılması aşamasında görüntünün çeşitli seviyelere ayrıştırılmasında ve istatistiki özelliklerinin çıkarılmasında kullanılmıştır. Termal görüntüler analiz edilerek kalp rahatsızlığı bulunan bebekler ile sağlıklı bebekler % 90 oranında bir doğrulukla birbirlerinden ayırt edilebilmişlerdir. Derin öğrenme yöntemlerinin yenidoğan termal görüntülere uygulanması da ilk kez bu proje kapsamında gerçekleştirilmiştir. Böylece herhangi bir manuel ilgi alanı belirleme, özellik çıkarma ve seçme yöntemlerine gerek kalmadan bütün sınıflandırma sürecinin otomatik olarak işlediği bir model oluşturulmuştur. Önerilen model, yenidoğan yoğun bakım ünitesinde bulunan bebeklerin sağlıklı ve hasta olarak sınıflandırılmasında %99? un üzerinde doğruluk, özgüllük ve hassasiyet değerlerine ulaşmıştır. Proje çalışmaları boyunca Selçuk Üniversitesi Tıp Fakültesi Yenidoğan Yoğun Bakım Ünitesinde bulunan sağlıklı ve hasta bebeklerden alınan termal görüntüler ve bu bebeklerin tıbbi değerlendirmelerini içerecek şekilde etiketlenerek yaklaşık 40000 görüntüden oluşan alanındaki ilk ve en büyük görüntü veritabanı oluşturulmuştur.
Yenidoğan Laboratuvar Bulgularında Lstm Tabanlı Derin Öğrenme Ağı ile Zaman Serisi Analizi
(2023) Çevik, Mahmut; Cihan, Mücahit; Yılmaz, Nezahat; Konak, Murat; Soylu, Hanifi; Ceylan, Murat
Yenidoğan yoğun bakımında kalan bebeklerde laboratuvar bulguları ve hayati değerler düzenli olarak takip edilmeli ve değerlendirilmelidir. Bebek kan damarları normal bir insana göre oldukça zayıf ve incedir. Aynı zamanda kan hacminin çok düşük olması sebebi ile sürekli olarak kan tahlili yapılamamakta veya alınan kan yetersizliği ile istenen tüm laboratuvar bulguları elde edilememektedir. Özellikle yenidoğan yoğun bakımında kalan ve diğer bebeklere göre dezavantajlı bulunan prematüre bebeklerde (preterm) bu olumsuzluklar daha sık yaşanmakta ve bunlara ek olarak preterm morbiditesinin çok daha yüksek olduğu da bilinmektedir. Bu çalışmada bebeklerden belirli bir zaman içerisinde elde edilen laboratuvar bulgularını değerlendirerek ileriye yönelik tahminler yapan bir zaman serisi analizi gerçekleştirilmiştir. Zaman seri analizi yöntemi olarak LSTM ağ mimarisine dayalı derin öğrenme modeli kullanılmıştır. Bu çalışma için 22 adet bebekten 161 veri elde edilmiş ve her bir bebek için belirli bir zaman içerisinde alınan laboratuvar bulguları zaman serisi verileri haline getirilmiştir. Laboratuvar bulguları olarak sıklıkla takip edilen CRP, hemoglobin ve bilirubin değerleri seçilmiştir. Her bebek için oluşturulan zaman seri verileri ile LSTM modeli eğitilmiştir. LSTM modelinin sonuçları incelendiğinde CRP değerinin tahmininde doğruluk değerinin %29.09’da kaldığı, en yüksek tahmin sonucunun ise %43.63 ile hemoglobin değerlerinde elde edildiği gözlemlenmiştir. Bilirubin değerleri için doğruluk oranı ise %36.36’dır. Kısıtlı veri seti ile elde edilen bu sonuçların umut vaat ettiği ve gelecek çalışmalar için önemli olduğu değerlendirilmiştir.