Ceylan, Murat
Loading...
Profile URL
Name Variants
Ceylan, M.
Job Title
Email Address
mceylan@ktun.edu.tr
Main Affiliation
02.04. Department of Electrical and Electronics Engineering
Status
Current Staff
Website
ORCID ID
Scopus Author ID
Turkish CoHE Profile ID
WoS Researcher ID
Sustainable Development Goals
3
GOOD HEALTH AND WELL-BEING
7
Research Products
11
SUSTAINABLE CITIES AND COMMUNITIES
1
Research Products
16
PEACE, JUSTICE AND STRONG INSTITUTIONS
1
Research Products
17
PARTNERSHIPS FOR THE GOALS
1
Research Products
Documents
89
Citations
770
h-index
15
This researcher does not have a WoS ID.
Scholarly Output
82
Articles
48
Views / Downloads
0/8
Supervised MSc Theses
11
Supervised PhD Theses
6
WoS Citation Count
256
Scopus Citation Count
348
WoS h-index
9
Scopus h-index
9
Patents
0
Projects
3
WoS Citations per Publication
3.12
Scopus Citations per Publication
4.24
Open Access Source
44
Supervised Theses
17
Google Analytics Visitor Traffic
| Journal | Count |
|---|---|
| Quantitative Infrared Thermography Journal | 5 |
| Traitement Du Signal | 4 |
| Avrupa Bilim ve Teknoloji Dergisi | 4 |
| Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) | 4 |
| Multimedia Tools And Applications | 3 |
Current Page: 1 / 9
Scopus Quartile Distribution
Competency Cloud
82 results
Scholarly Output Search Results
Now showing 1 - 10 of 82
Doctoral Thesis Futbolcularda Görülen Hamstring Yaralanmalarının Termal Görüntüleme ve Yapay Zeka ile Tespiti(2025) Ergene, Mehmet Celalettin; Ceylan, MuratFutbol takımlarının başarısını etkileyen en önemli faktörler arasında oyuncu kalitesi, taktiksel düzenlemeler ve antrenman programları yer almaktadır. Ancak bu başarıyı olumsuz etkileyen başlıca faktörlerin başında futbolcu yaralanmaları gelmektedir. Aktif yaralanma yaşayan bir oyuncunun takıma katkı sağlayabilmesi mümkün olmamaktadır. Bundan dolayı yaralanmalar hem futbol takımlarının başarısını düşürmekte ve hem de tedavi masraflarından dolayı takımlara maliyetli olmaktadır. Bu olumsuzluklardan dolayı futbol takımları kas yaralanmalarının incelenmesi, erken evre tespiti, rehabilitasyon sürecinin takibi ve sahaya dönüşün karar verilmesinde ultrasonografi (USG), manyetik rezonans görüntüleme (MRG), bilgisayarlı tomografi (BT), kan testleri ve izokinetik cihazlar gibi çeşitli tıbbi görüntüleme metotları kullanmaktadır. Günümüzde termografi alanındaki gelişmelerle birlikte termografik görüntüleme futbol takımlarına yaralanmaların incelenmesinde kullanımı kolay, maliyetsiz, kolay taşınabilir ve non-invaziv bir metot sunmaktadır. Yaralanmanın oluştuğu kas bölgesinde oluşan sıcaklık artışı ve kas bölgelerindeki sıcaklık asimetrisinden faydalanarak yaralanmaları incelemek mümkün olmaktadır. Bundan dolayı son dönemlerde sporcu yaralanmalarında termografinin kullanımı üzerine yapılan çalışmalar artış göstermektedir. Bu tez çalışmasında, futbolcu yaralanmalarının termal görüntüleme ile incelenmesi ve bu görüntülerin yaralanma tespiti ile rehabilitasyon süreçlerinin planlanmasında kullanılabilirliği araştırılmıştır. Çalışmada, derin öğrenme yöntemleri kullanılarak alt ekstremite termal görüntülerinden kas bölgelerinin segmentasyonu ve bu bölgelerdeki yaralanmaların sınıflandırılması yapılmıştır. Ayrıca, futbolcuların aktif yaralanmalarının tespiti ve rehabilitasyon süreçlerinin planlanmasına yönelik karar destek sistemleri geliştirilmiştir. Araştırma için Türkiye Süper Lig takımı futbolcularından 2 sezon boyunca termografi ile alt ekstremite termal görüntüleri elde edilmiştir. Derin öğrenme metotlarında başarılı sonuçlar elde edebilmek için büyük miktarda veri gerekliliği olduğu bilinse de bir sezonda yaralanma yaşayan futbolcu sayısının sınırlı olması yetersiz ve dengesiz veri seti problemini ortaya çıkarmaktadır. Bu problemin üstesinden gelmek için geleneksel derin öğrenme metotlarına ek olarak, az örnekli öğrenme metotları ve yeni derin öğrenme metotları kullanılmıştır. Bu tez çalışmasında, aktif yaralanması bulunan futbolcuların termal görüntüleri incelenerek yaralanmaların tespiti yapılmış ve rehabilitasyon süreçleri planlanmıştır. Daha sonra bu yaralanmaların daha detaylı analiz edilebilmesi için derin öğrenme algoritmaları ile kas bölgelerinin segmentasyonu yapılmış ve segmente edilen bölgeler üzerinden yaralanmaların sınıflandırılması gerçekleştirilmiştir. Yetersiz ve dengesiz veri seti problemine yönelik olarak, az örnekli öğrenme ve modern derin öğrenme metotları ile sınıflandırma süreçlerinin doğruluğu artırılmıştır. Tez kapsamında yürütülen uygulamalar üç başlık altında gerçekleştirilmiştir. İlk olarak termal görüntülerden futbolcuların yaralanmaları tespit edilmiş ve yaralanmaların egzersiz etkisi altında verdiği termal tepki incelenmiştir. Aynı zamanda futbolcuların rehabilitasyon süreçlerinin planlanması ve sahaya dönüş kararının verilmesinde termografi desteği sağlanmıştır. Daha sonra futbolcularda anatomik atlasa göre belirlenen kas bölgeleri derin öğrenme metotlarından U-Net, Piramit Sahne Ayrıştırma Ağı, LinkNet ve Özellik Piramit Ağı kullanılarak segmente edilmiştir. Bu segmentasyon işlemi sonucunda; en başarılı metodun %99 başarı oranı ile U-Net olduğu görülmüştür. Daha sonra segmente edilen kas bölgelerindeki yaralanmaların tespit edilmesi için Densenet, Görsel Geometri Grubu, Artık Ağlar, EfficientNet gibi derin öğrenme metotları kullanılmıştır. Yaralanmaların tespiti için hem segmentasyon hem de sınıflandırma içeren bir uçtan uca bir algoritma yapısı tasarlanmıştır. Sınıflandırma sonucunda en başarılı sonuçları EfficientNetB0 %83.9 ve EfficientNetB1 + Özellik Piramit Ağı %81.0 doğruluk oranı ile vermiştir. Yetersiz ve dengesiz veri seti problemine çözüm bulmak ve elde edilen sonuçların başarı oranını daha da arttırmak için Siyam Ağları, Prototip Ağları ve Kolmogorov-Arnold Ağı ile sınıflandırma işlemi gerçekleştirilmiştir. Sınıflandırma sonuçları incelendiğinde Siyam ve Prototip Ağları sırasıyla %94 ve %97.78 başarı oranı elde ederken, Kolmogorov-Arnold Ağı ile %93.1 başarı oranı elde edilmiştir. Bu durum az örnekli öğrenme metotları ve derin öğrenmede yeni bir metot olan Kolmogorov-Arnold Ağının sporcu yaralanmalarının termografi ile tespit edilmesinde oldukça başarılı olduğunu göstermektedir. Bunun yanında bu çalışma, Kolmogorov-Arnold Ağı ile termal görüntülerden yaralanma tespiti üzerine yapılan literatürdeki ilk çalışmalardandır. Sonuç olarak bu tez kapsamında yürütülen çalışmalar termografi ve derin öğrenme yöntemlerinin spor hekimliğinde etkin bir şekilde kullanılarak yaralanmaların tespitinde ve yönetiminde önemli bir katkı sunduğunu göstermektedir.Doctoral Thesis Covıd-19 Hastalığının Derin Öğrenme Yöntemleri Kullanılarak Tespiti(Konya Teknik Üniversitesi, 2022) Yaşar, Hüseyin; Ceylan, Murat2019 yılının son günlerinde Çin'in Hubei eyaletinin Wuhan kentinde ortaya çıkan SARS-CoV-2 virüsü, dünya çapında ciddi bir salgına neden olmuştur. Zoonotik kökenli olduğu değerlendirilen SARS-CoV-2 virüsü ilk olarak Çin'i etkisi altına almıştır. İlerleyen günlerde söz konusu virüsün diğer ülkelere de yayılmasıyla Dünya'nın bütün ülkeleri ciddi biçimde salgından etkilenmeye başlamıştır. SARS-CoV-2 virüsü hastalarda solunum sıkıntısına neden olmaktadır. Söz konusu virüsün insanlarda neden olduğu zatürre, Dünya Sağlık Örgütü (DSÖ) tarafından COVID-19 (Coronavirus Disease-2019) hastalığı olarak isimlendirilmiştir. COVID-19 hastalığının yaygın semptomları ateş, öksürük, nefes darlığı, kas ağrısı ve halsizlik olarak sıralanmaktadır. Hastalığın genel olarak akciğer üzerinde oldukça ağır ve olumsuz etkileri vardır. Bilgisayarlı Tomografi (BT) ve X-ray görüntüleme, bir bakteri veya virüsün neden olduğu zatürrenin teşhisi ve klinik değerlendirmesi için önemli radyolojik bilgiler sağlamaktadır. COVID-19 hastalığının ortaya çıkmasından sonra söz konusu görüntüleme yöntemleri bu hastalığın radyolojik olarak görüntülenmesinde de yaygın olarak kullanılmaya başlamıştır. COVID-19 hastalığı akciğer üzerinde interstisyel tutuluma, iki taraflı ve düzensiz buzlu cam opasitelerine ve parankimal apselere neden olmaktadır. Bu radyolojik belirtiler BT ve X-ray görüntüleri üzerinden gözlemlenebilmektedir. Ayrıca, COVID-19 hastalığının radyolojik semptomları ile diğer viral veya bakteriyel zatürrelerin radyolojik semptomlarında bazı farklılıklar vardır. COVID-19 hastalığının en yaygın teşhisi, Ters Transkripsiyon-Polimeraz Zincir Reaksiyonu (TT-PZR) testi ile yapılmaktadır. Bu test genellikle birkaç saat içinde sonuç vermektedir. Ancak, TT-PZR testinin COVID-19 hastalığına sebep olan SARS-CoV-2 virüsünün tespitindeki duyarlılığı oldukça düşüktür. Yani, gerçekte virüs taşıyanlar söz konusu test ile sıklıkla yanlış teşhis edilebilmektedir. Bu sebeple DSÖ, sadece TT-PZR testi pozitif olan vakaların değil, TT-PZR sonucu negatif olmasına rağmen radyolojik veya klinik semptomlarla bu virüsü taşıdığı tespit edilen vakaların da doğrudan bildirilmesini şart koşmaktadır. COVID-19 salgınının kontrol altına alınmasında en önemli faktörlerden biri virüsü taşıyan hastaların hızlı teşhis edilmesi ve izolasyonudur. TT-PZR testinin sonuç vermesinin saatler alması virüsü taşıyan kişilerin hızlı şekilde izole edilmesini zorlaştırmaktadır. Ayrıca, testin duyarlılığının düşük olması virüsü taşıyan kişilerin yanlış teşhis edilmesine bağlı olarak bulaş oranlarını yükseltmektedir. Bu durum COVID-19 salgını ile mücadele konusunda radyolojik görüntülemenin etkili şekilde kullanılmasını ve görüntülerin otomatik olarak değerlendirilmesini bir zorunluluk haline getirmektedir. Tez çalışmasında söz konusu ihtiyaçlara cevap vermek için derin öğrenme temelli yapay zekâ uygulamaları gerçekleştirilmiştir. Tez çalışması toplam yedi adet uygulama içermektedir. Birinci uygulamada BT görüntüleri üzerinden COVID-19 ve COVID-19 değil sınıflandırılması gerçekleştirilmiştir. Uygulamada klasik makine öğrenme yöntemleri olan Destek Vektör Makinesi ve k-En Yakın Komşu ile derin öğrenme yöntemi olan İki Boyutlu (2B) Evrişimli Sinir Ağları (ESA) mimarilerinin sınıflandırma performansları karşılaştırılmıştır. 2B ESA olarak uygulamada oluşturulmuş 23 katmanlı bir mimari ile transfer öğrenme AlexNet ve MobileNetV2'den yararlanılmıştır. Uygulamada doğrudan orijinal görüntülerin yanı sıra ön işlem olarak Gri Seviye Eş-oluşum Matrisi, Yerel İkili Desenler (YİD) ve Lokal Entropi (LE) kullanılarak elde edilen özellik görüntüleri için de sınıflandırma işlemi yapılmıştır. Ayrıca, tüm bu orijinal ve özellik görüntülerinin ikili, üçlü ve dörtlü olarak birleştirilmesi için deneyler tekrarlanmıştır. Uygulamada gerçekleştirilen deneyler iki kat çapraz doğrulama ve on kat çapraz doğrulama olmak üzere iki farklı eğitim ve test prosedürü ile gerçekleştirilmiştir. Tez çalışmasının bu uygulamasında ayrıca, veri artırımının uygulama sonuçlarına etkisi incelenmiştir. Bu kapsamda görüntülerin veri artırma teknikleri ile beş, on ve yirmi kat artırılması durumu için 23 katmanlı 2B ESA mimarisiyle iki kat çapraz doğrulama prosedürüne göre deneyler gerçekleştirilmiştir. Uygulama sonuçları özellik görüntülerinin orijinal görüntülerle birlikte kullanılmasının sonuçlara önemli katkılar sağladığını göstermektedir. Tez çalışmasının ikinci uygulamasında BT görüntüleri üzerinden COVID-19 ve COVID-19 değil sınıflandırılması ile COVID-19 zatürresi ve diğer zatürre sınıflandırması olmak üzere iki başlıkta iki sınıflı sınıflandırma gerçekleştirilmiştir. Sınıflandırma için uygulama kapsamında oluşturulmuş 24 katmanlı bir 2B ESA mimarisinden yararlanılmıştır. Uygulamada orijinal BT görüntülerinin doğrudan kullanılması ve orijinal görüntülere ön işlem olarak YİD uygulanması durumu için deneyler gerçekleştirilmiştir. Ayrıca, ikincil işlem olarak Kompleks Değerli Dalgacık Dönüşümü (KDDD) uygulanmasıyla elde edilen görüntü alt bantlarının tek başlarına ve kombinasyonlar halinde kullanılması durumu için sınıflandırma işlemleri tekrarlanmıştır. Uygulamada son olarak orijinal BT görüntüleri kullanılarak elde edilen sonuçlar ile ön işlem olarak YİD uygulanarak elde edilen sonuçların birleştirilmesini sağlayan Veri Akış Hattı (VAH) yaklaşımlarının başarıları analiz edilmiştir. Uygulamanın deneyleri on kat çapraz doğrulama kullanılarak gerçekleştirilmiştir. Uygulama sonuçları VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir. Ayrıca, KDDD kullanılarak görüntü boyutlarının başarılı şekilde azaltılabileceği ve VAH kullanılmasına bağlı olarak oluşan zaman maliyetinin ortadan kaldırılabileceğine işaret etmektedir. Tez çalışmasının üçüncü uygulamasında BT görüntüleri üzerinden COVID-19 zatürresi, sağlıklı ve diğer zatürre olmak üzere üç sınıflı otomatik sınıflandırma gerçekleştirilmiştir. Uygulamada MobileNetV2, ResNet-101, GoogleNet, Xception, DenseNet-201, EfficientNetB0 ve InceptionV3 olmak üzere toplam yedi adet transfer öğrenme 2B ESA mimarisi kullanılmıştır. Uygulamada kullanılan COVID-19 görüntülerinden 810 tanesi Konya Selçuk Üniversitesi Tıp Fakültesi Hastanesi'nden (27.07.2020 tarih ve 220/326 sayılı etik kurul kararı) elde edilmiştir. Uygulamada doğrudan orijinal BT görüntüleri ve ön işlem olarak YİD uygulanarak elde edilen özellik görüntüleri için dört kat çapraz doğrulama esasına göre deneyler gerçekleştirilmiştir. Ayrıca, ikinci uygulamaya benzer şekilde VAH yaklaşımı kullanılarak sonuçlar birleştirilmiştir. Üçüncü uygulama sonuçları da VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir. Ayrıca, VAH yaklaşımında YİD özellik görüntüleri kullanılmasının yanlış sınıflandırılan görüntülerin sayısının azaltılmasında daha etkili olduğuna işaret etmektedir. Tez çalışmasının dördüncü uygulamasında ilk üç uygulamadan farklı olarak BT görüntüler üzerinden COVID-19 hastalık tespitini yerine COVID-19 zatürre seviyesinin sınıflandırılmasına odaklanılmıştır. Uygulamada kullanılan BT görüntüleri COVID-19 görüntüleri Selçuk Üniversitesi Tıp Fakültesi Hastanesi'nden (27.07.2020 tarih ve 220/327 sayılı etik kurul kararı) elde edilmiştir. Uygulamada sınıflandırma işlemleri MobileNetV2, ResNet-101, Xception, InceptionV3, GoogleNet, EfficientNetB0, DenseNet-201 ve DarkNet-53 olmak üzere toplam sekiz farklı transfer öğrenme 2B ESA mimarisi kullanılarak gerçekleştirilmiştir. En yüksek başarıyı gösteren transfer öğrenme 2B ESA mimarilerinin sonuçları VAH yaklaşımı kullanılarak birleştirilerek yeni sınıflandırma sonuçları hesaplanmıştır. Uygulamada eğitim ve test işlemleri beş kat çapraz doğrulama kullanılarak gerçekleştirilmiştir. Dördüncü uygulama sonuçları ESA mimarileri kullanılarak COVID-19 zatürrre seviyesinin başarılı şekilde sınıflandırılabileceğine işaret etmektedir. Ayrıca, VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir. Tez çalışmasının beşinci uygulamasında X-ray görüntüleri üzerinden COVID-19 ve COVID-19 değil sınıflandırılması gerçekleştirilmiştir. Sınıflandırma için uygulama kapsamında oluşturulmuş 23 katmanlı ve 54 katmanlı iki farklı 2B ESA mimarisinden yararlanılmıştır. Beşinci uygulamada, ikinci uygulamaya benzer şekilde, orijinal X-ray görüntülerinin doğrudan kullanılması ve ön işlem olarak YİD uygulanarak kullanılması durumu için deneyler gerçekleştirilmiştir. Ayrıca, ikincil işlem olarak KDDD uygulanmasıyla elde edilen görüntü alt bantlarının tek başlarına ve kombinasyonlar halinde kullanılmasıyla sınıflandırma işlemleri yapılmıştır. Uygulamada son olarak orijinal X-ray görüntüleri kullanılarak elde edilen sonuçlar ile ön işlem olarak YİD uygulanarak elde edilen sonuçların birleştirilmesini sağlayan VAH yaklaşımlarının başarıları analiz edilmiştir. Uygulamada deneyler iki kat çapraz doğrulama ve yirmi üç kat çapraz doğrulama prosedürü kullanılarak gerçekleştirilmiştir. Uygulama sonuçları VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir. Ayrıca, KDDD kullanılarak görüntü boyutlarının başarılı şekilde azaltılabileceği ve VAH kullanımına bağlı olarak oluşan zaman maliyetinin ortadan kaldırılabileceği anlaşılmaktadır. Tez çalışmasının altıncı uygulamasında X-ray görüntüleri üzerinden COVID-19 ve sağlıklı, COVID-19 zatürresi ve bakteriyel zatürre, COVID-19 zatürresi ve viral zatürre ile COVID-19 zatürresi ve diğer zatürre olmak üzere toplam dört başlıkta iki sınıflı sınıflandırma gerçekleştirilmiştir. Uygulamada orijinal X-ray görüntülerinin tek başına kullanılmasının yanı sıra ön işlem olarak YİD ve LE uygulanarak elde edilen görüntüler için de sınıflandırma sonuçları hesaplanmıştır. Orijinal görüntüler, YİD ve LE görüntülerinin çeşitli kombinasyonlarda birleştirilmesiyle elde edilen görüntüler için sınıflandırma işlemleri tekrarlanmıştır. Uygulamada sınıflandırıcı olarak transfer öğrenme 2B ESA ve Üç Boyutlu (3B) ESA mimarilerinden yararlanılmıştır. Uygulamada transfer öğrenme 2B ESA mimarisi olarak MobileNetV2, ResNet-101 ve GoogleNet mimarileri kullanılmıştır. 3B ESA için ise uygulama kapsamında 24 katmanlı bir mimari tasarlanmış ve kullanılmıştır. Uygulamanın eğitim ve test işlemleri beş kat çapraz doğrulama ile gerçekleştirilmiştir. Uygulama sonuçları 3B ESA mimarisinin transfer öğrenme 2B ESA mimarilerine göre daha yavaş ancak daha başarılı olduğunu göstermektedir. Ayrıca, özellik görüntülerinin orijinal görüntülerle birlikte kullanılmasının sonuçlara önemli katkılar sağladığına işaret etmektedir. Tez çalışmasının yedinci uygulamasında X-ray görüntüleri üzerinden COVID-19 zatürresi, sağlıklı ve diğer zatürre ile COVID-19 zatürresi, sağlıklı, bakteriyel zatürre ve viral zatürre olmak üzere toplam iki başlıkta sırasıyla üç sınıflı ve dört sınıflı otomatik sınıflandırma gerçekleştirilmiştir. Uygulamada sınıflandırıcı olarak transfer öğrenme 2B ESA kullanılmıştır. Bu kapsamda MobileNetV2, ResNet-101, GoogleNet, Xception, DenseNet-201, EfficientNetB0 ve InceptionV3 olmak üzere toplam yedi adet transfer öğrenme 2B ESA mimarisinden yararlanılmıştır. Uygulamada doğrudan orijinal X-ray görüntüleri kullanılarak sınıflandırma sonuçları elde edilmiş olup ön işlem olarak YİD ve LE uygulanarak elde edilen özellik görüntüleri kullanılarak da sınıflandırma işlemleri gerçekleştirilmiştir. Ayrıca, VAH yaklaşımı kullanılarak daha önce elde edilen sonuçlar birleştirilmiş ve yeni sınıflandırma sonuçları elde edilmiştir. Uygulamada eğitim ve test işlemleri dört kat çapraz doğrulama kullanılarak yapılmıştır. Yedinci uygulama sonuçları VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir.Conference Object Multi-View Thermal Breast Imaging for Malignancy Detection: Performance Benchmarking of CNN, Transformer, and Involution Architectures(Springer Science and Business Media Deutschland GmbH, 2026) Cihan, M.; Ceylan, M.Breast cancer screening demands accurate, non-invasive, low-cost tools. Infrared thermography is radiation-free and portable, but its utility hinges on robust computer-aided diagnosis (CAD). We benchmark three deep-learning families for static multi-view breast thermography—CNNs, Transformers, and an involution-based model (HarmonyNet-Lite). Experiments use the Breast Thermography dataset (119 patients; 476 manually segmented ROIs from anterior/oblique views). A compact pipeline performs ROI segmentation, RGB conversion, normalization, resizing, and moderate data augmentation; class imbalance is handled with minority oversampling and class-weighted loss. Evaluation follows patient-stratified five-fold cross-validation. HarmonyNet-Lite yields the best results: accuracy 87.47 ± 2.99%, recall 93.33 ± 2.13%, F1 68.43 ± 8.75%, and precision 54.23 ± 8.94%, indicating high sensitivity with an acceptable trade-off in precision for screening. Among CNNs, ResNet50 is strongest (85.59 ± 3.37%; F1 63.16 ± 3.87%), followed by InceptionV3 (83.38 ± 1.41%; F1 59.99 ± 6.72%), while DenseNet121 lags (79.25 ± 2.98%; F1 52.38 ± 5.62%). Transformer performance is mixed: ViT-Tiny is competitive (84.59 ± 4.23%; F1 59.46 ± 4.68%), whereas Swin-Tiny trails (81.30 ± 2.32%; F1 57.14 ± 4.44%) due to lower precision. Despite using only 0.14 M parameters, HarmonyNet-Lite outperforms heavier CNNs (ResNet50: 23.59 M; InceptionV3: 21.81 M) and lighter Transformers (ViT-Tiny: 2.84 M; Swin-Tiny: 11.78 M), demonstrating that content-adaptive, spatially aware involution operators efficiently capture fine thermal gradients. These findings position HarmonyNet-Lite as a strong, deployable CAD candidate. Future work will pursue multi-center validation, automated segmentation, multi-class labeling, hybrid involution–attention/multimodal models, and controlled GAN-based augmentation to mitigate data scarcity. © The Author(s), under exclusive license to Springer Nature Switzerland AG 2026.Master Thesis Derin Öğrenme Yöntemleri Kullanılarak Osteoporozun Belirlenmesi(Konya Teknik Üniversitesi, 2020) Ashames, Mohamad Melad Ali; Ceylan, MuratOsteoporoz, düşük kemik mineral yoğunluğu ile karakterize edilen en yaygın kronik kemik hastalığıdır. Dual Enerji X-Işını Absorbsiyometrisi (DEXA) taraması, kemik mineral yoğunluğunu ölçmek ve osteoporoz tanısı koymak için en sık kullanılan yöntemdir. Ancak, cihazın büyüklüğü ve yüksek maliyeti gibi belirli kısıtlamaları vardır. Standart X-ışınları ve Bilgisayarlı Tomografi (BT) gibi diğer tarama yöntemleri, hastalık ortaya çıkana kadar osteoporozu belirleyemediği için teşhis amacıyla kullanılamaz. Bu çalışmada, topuk kemiğinin x-ışını görüntülerini (düz radyografiler) kullanarak osteoporoz sınıflandırması için invazif olmayan bir yöntem önerilmiştir. Evrişimsel Sinir Ağları ile Veri Arttırma teknikleri ve Transfer Öğrenme Mimarileri, sağlıklı ve osteoporotik hastaların x-ışını görüntülerini sınıflandırmak için birleştirilmiştir. Önerilen yaklaşım ile osteoporozun teşhisi yüksek doğrulukla gerçekleştirilmiştir.Conference Object Application Example of Deep Echo State Neural Networks Case Study: Prediction of Mobile Hydraulic Crane’s Pressure and Ecu Temperatures(2021) Karagözler, Kerim; Canan, Süleyman; Ceylan, MuratReal data taken from the field can be used as design parameters in engineering studies. Alternatively, the calculated and analyzed values should be verified by field tests. However, waiting for data from the field for design parameters can sometimes take a very long time. This makes engineering solutions too long or impossible. In the same way, there may be tests that are difficult to test in design verifications, require cost, and create security problems. This study sought solutions to the problems described using the DESN model in two different data sets. In the study, deep Echo State neural network analysis was performed on two different data sets. As data, the pressures formed in the cylinder during the lifting and lowering of 6 different loads by a truck-mounted mobile crane and the 4- month device temperature of the electronic control unit in an overhead crane were recorded. Echo State Network application was made on these records with deep learning. After training with 80% of the data, the DeepESN model was tested with 20%, and these results were evaluated.Article The Use of Prototypical and Siamese Networks in the Determination of Lower Extremity Injuries in Professional Football Players with Thermographic Data(Taylor & Francis Ltd, 2025) Ergene, Mehmet Celalettin; Bayrak, Ahmet; Ceylan, MuratEarly diagnosis of lower extremity injuries in professional football players is crucial for maintaining performance and minimising long-term risks. Despite the growing use of thermographic imaging as a non-invasive tool for detecting musculoskeletal disorders, its integration into automated injury detection systems remains limited, particularly under data-scarce conditions. Given the need for effective early detection methods and the potential of thermography in sports medicine, this study investigates the applicability of deep learning models for classifying lower extremity injuries. Specifically, it evaluates the performance of Prototypical Network and Siamese Network models using thermographic data collected from professional athletes. The original dataset consists of images from 16 healthy and 9 injured individuals, and through augmentation it was expanded to 360 healthy and 180 injured samples. The Prototypical Network achieved an accuracy of 97.78%, while the Siamese Network attained 94%. These findings indicate that both models are capable of accurate injury detection, despite challenges posed by class imbalance and limited data availability. In conclusion, the study highlights the effectiveness of thermographic imaging combined with deep metric learning in identifying injuries in professional football players and suggests that reliable results can be achieved even in constrained data environments.Article Citation - WoS: 3Citation - Scopus: 6Involution-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, HanifiBackground 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.Master Thesis Hiperspektral Görüntüleme Yöntemi Kullanılarak Yenidoğan Sağlık Durumlarının Derin Öğrenme Metotları ile Sınıflandırılması(Konya Teknik Üniversitesi, 2020) Cihan, Mücahit; Ceylan, MuratYenidoğan bebeklerin sağlık durumlarının hızlı ve zararsız bir şekilde erken tespiti, bebeklerin hem hayatta kalmasını hem de yaşam kalitesini artırabilir. Bu doğrultuda, yenidoğan bebeklerin sağlık durumu tespitinde en iyi yöntem, bebeğe en az invaziv girişim yapılan yöntemdir (az dokun-çok gözlemle prensibi). Yenidoğan Yoğun Bakım Ünitesinde (YYBÜ) bulunan yenidoğanların yaşatılması ve sekellerinin azaltılmasında önemli unsurlardan birisi de gelişen teknolojilerden faydalanılarak oluşturulacak ön tanı ve takip sistemleridir. Hiperspektral görüntüleme (HSG), doku biyopsisinden kaçınarak doku hakkında tanısal bilgiler verdiği için, temassız olarak yenidoğan sağlık durumunun tespitinde güçlü bir araç olarak görülmektedir. Tez çalışmasında kullanılan hiperspektral görüntüler, Selçuk Üniversitesi Tıp Fakültesi Yenidoğan Yoğun Bakım Ünitesindeki 19 farklı yenidoğandan elde edilmiştir. Toplamda 32 hiperküp ve bu hiperküplerden elde edilen 6528 hiperspektral görüntü mevcuttur. HSG kullanarak yenidoğanların sağlık durumunu tespit etmek için 2 boyutlu Evrişimli Sinir Ağları (2B-ESA) ve 3 boyutlu Evrişimli Sinir Ağları (3B-ESA) modelleri kullanılmıştır. Komşuluk çıkarma yöntemi kullanılarak mini küpler oluşturulup 3B-ESA ile sınıflandırma işlemi yapılmıştır. Sınıflandırma performansını değerlendirmek için genel doğruluk, Cohen'in kappa katsayısı, hassasiyet ve özgüllük değerleri hesaplanmıştır. Komşuluk çıkarma yöntemi kullanılarak %100 genel doğruluk, %100 Cohen'in kappa katsayısı, %100 hassasiyet ve %100 özgüllük değerine ulaşılmış ve tüm veriler doğru sınıflandırılmıştır. Ayrıca komşuluk çıkarma yöntemiyle az eğitim verisi kullanılarak yüksek doğruluk oranları elde edilmiştir. Bu sonuçlar yenidoğanlara ait hiperspektral görüntülerin sınıflandırılmasında derin öğrenme yöntemlerinin oldukça başarılı olduğunu göstermektedir.Article Tracking the Injury Recovery of Professional Football Players With Infrared Thermography: Preliminary Study(2020) Ergene, Mehmet Celalettin; Bayrak, Ahmet; Ceylan, MuratInfrared thermography is a non-invasive method of translating and viewing the radiating heat from the target surface collected by the infrared sensor into temperature as a digital image. Infrared thermography contains very useful data, especially for medical reasons. However, it has been accepted just recently. Although its usage is still questioned in sports medicine, recent studies claimed that infrared thermography can be used to examine muscle problems, injuries, and joint problems, etc. Sports medicine, physiotherapists, and medical imaging have vital importance for football teams and its’ success. During a season football teams lose a lot of matches because of the high rate of injury. That is why preventing an injury has more importance for a football team than healing an existing injury. In consequence physiotherapists use many methods to prevent football players from being injured and monitorise the injury such as creatine kinase tests, muscle strength measurements, MRI, etc. However, these methods are either not enough successful or expensive. In our study, we have developed an image processing software to examine lower extremities muscle problems of football players when they occur and after they rested a day. With this software, we aim to help physiotherapists to regulate rehabilitation plan and decide when to end the rehabilitation. Thanks to this, physiotherapists can decide to rest the football players or start treatment so that they will not get injured unnecessarily and will have a lower risk of injury. Thorough this the success of the football teams will increase because the football players will not miss matches because of the extreme training or overlooked injuries. In our proposed method, with infrared thermography, 3 football players with documented injuries were observed. They have studied again after the football players rested for 1 day and the findings were analyzed. For that the thermographic color palette’s RGB values are calculated in such a way that the upper and lower color values are discovered. In the next step, a binary mask is created, and this mask is blended with the grayscale original image, and the areas with muscle problems are displayed colored so that the physiotherapists can detect and examine problems easier. In the results part, it is shown that the areas are detected better than the human eye. It is concluded that with the help of the image processing algorithm muscle problems are detected successfully and the healing process after the resting is observed.Article Haycam Vs Eigencam for Weakly-Supervised Object Detection Across Varying Scales(2024) Örnek, Ahmet Haydar; Ceylan, MuratWhen a classification process is performed using Class Activation Maps, which is one of the Explainable Artificial Intelligence approaches, the areas influencing the classification on the input image can be revealed. In other words, it is demonstrated which part of the image the classifier model looks at to make a decision. In this study, a 200-class classification model was trained using the open-source dataset CUB 200 2011, and the classification results were visualized using the EigenCAM and HayCAM methods. When comparing object detection performances based on the areas influencing classification, the EigenCAM method reaches an IoU (Intersection over Union) value of 30.88%, while the HayCAM method reaches a value of 41.95%. The obtained results indicate that outputs derived using Principal Component Analysis (HayCAM) are better than those obtained using Singular Value Decomposition (EigenCAM).
