Profile URL: https://hdl.handle.net/20.500.13091/13550
Job Title:Dr. Öğr. Üyesi
Email Address:mcihan@ktun.edu.tr
Main Affiliation:02.04. Department of Electrical and Electronics Engineering
Status: Current Staff
ORCID:
0000-0002-1426-319X
0000-0002-1426-319XYÖK Akademik: 09AF85C54E6AAE26
Google Scholar:
p5hAqM8AAAAJ
p5hAqM8AAAAJWeb of Science ID:
HPD-4237-2023
HPD-4237-2023Name Variants:
Cihan, M. C., Mücahit
10 results
Scholarly Output Search Results
Now showing 1 - 10 of 10
Article Yenidoğan Laboratuvar Bulgularında Lstm Tabanlı Derin Öğrenme Ağı ile Zaman Serisi Analizi(2023) Çevik, Mahmut; Cihan, Mücahit; Yılmaz, Nezahat; Konak, Murat; Soylu, Hanifi; Ceylan, MuratYenidoğan 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.Article 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, MuratHiperspektral 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.Article Uncertainty-Gated Dual-Branch Additive–Attention Network for Robust and Calibrated Tabular Classification Under Missingness(2026) Cıhan, MücahitTabular deep learning is still challenging in real-world settings. Many datasets include both numerical and categorical variables, substantial missingness, and a need for not only strong classification performance but also interpretability and reliable probability estimates. DA2-Net is proposed to address this problem through a dual-branch architecture. It combines an interpretable additive pathway for feature-wise main effects with a selective self-attention pathway for higher-order interactions. In this design, features are ranked using additive contribution magnitude, uncertainty, and missingness-aware scaling. Only a Top-K subset is then passed to a single multi-head self-attention block. The final prediction is obtained through uncertainty-aware gated fusion. The model is also supported by sparsity, stability, and Brier-based calibration regularization. This allows it to balance expressive interaction modeling with transparency and robustness under incomplete data. DA2-Net is evaluated on four public binary tabular benchmarks, namely AdultIncome, DefaultCredit, HeartDisease, and BankMarketing, under controlled Missing Completely At Random (MCAR) missingness levels of 0.0, 0.1, 0.2, and 0.3. The evaluation uses 5-fold stratified cross-validation repeated across three random seeds. This produces 15 runs for each dataset and missingness condition, and 128 evaluation blocks in total across AUC, AUPRC, ACC, F1, sensitivity, specificity, Brier score, and Expected Calibration Error (ECE). Across this benchmark, DA2-Net achieves the best overall mean rank with 3.078 ± 2.044, ahead of SAINT-Lite at 3.980 ± 2.624. It achieves or shares the best result in all 16 AUC blocks, 13 of 16 AUPRC blocks, 10 of 16 ACC blocks, 11 of 16 Brier blocks, and 7 of 16 ECE blocks. These results show that its main strength lies in robust ranking-based discrimination and strong overall probability quality under missingness. It also shows a favorable practical-efficiency profile in the current benchmark, remaining more compact and inference-efficient than the main transformer-like baselines. Epoch-wise loss analysis also shows stable convergence across all four datasets. The binary cross-entropy (BCE) term drives the optimization, while the auxiliary regularizers act as controlled refinements. The ablation study further confirms that the interaction branch is essential. Removing it in the AdditiveOnly variant causes the clearest degradation in both predictive and calibration metrics. In contrast, removing the gate or the auxiliary regularization terms leads only to minor changes. A sensitivity analysis also supported the selected interaction subset size k=10 and spline knot count K=8 as balanced settings, while additive shape-function visualizations provided direct qualitative evidence for feature-wise interpretability.Article Citation - WoS: 4Citation - Scopus: 4Irsn: Involutional Residual Spectral Network for Hyperspectral Image Classification(Institute of Electrical and Electronics Engineers Inc., 2024) Cihan, M.; Ceylan, M.Convolutional methods are commonly used for hyperspectral imaging (HSI) classification. However, HSI datasets are large due to numerous narrow-band spectra, leading to high computational costs and optimization challenges in convolution-based deep learning models. To address this, we propose the involutional residual spectral network (IRSN), using involution kernels tailored to the data for meaningful feature extraction. IRSN achieves this with fewer parameters than convolutions. By leveraging involution layers based on spectral signatures, IRSN captures spectral-spatial information. Furthermore, residual blocks within the network facilitate information preservation and overcome gradient-related challenges. Experimental studies conducted using four publicly available datasets demonstrate that the proposed IRSN model outperforms certain state-of-the-art convolutional-based networks in terms of effectiveness and efficiency. © 2004-2012 IEEE.Article Tamamlayıcı Renk Dalgacık Dönüşümü Kullanılarak Renkli Görüntülerin Gürültüden Arındırılması(Pamukkale Univ, 2024) Cihan, Mücahit; Ceylan, MuratRGB renk halkası, tamamlayıcı renklere sahip olduğu için insan görmesinde en anlaşılabilir renk temsili olarak bilinmektedir. Bununla birlikte, renk ilişkileri, dalgacık tabanlı renkli görüntü işleme araçlarında neredeyse hiç rol oynamamaktadır. Bu çalışmada tamamlayıcı renk ilişkileri ve kompleks dalgacık tasarım tekniklerine dayanan, Tamamlayıcı Renk Dalgacık Dönüşümü (TRDD), renkli görüntülerde gürültülerin giderilmesi için kullanılmıştır. Bu dalgacık, RGB renk halkasında bulunan renk eksenleri arasındaki açı ilişkilerinden elde edilen 2π/3 faz farklarına sahip, 2 boyutlu kompleks dalgacıklardan oluşan bir aileden meydana gelmektedir ve yönsel seçicilik bakımdan çok etkilidir. Farklı fazdaki yönlere ait katsayılar kullanılarak çok kanallı renkli görüntülerden gürültü giderme işlemleri gerçekleştirilmiştir. Farklı renkli görüntüler ve gürültü seviyeleri kullanılarak TRDD'nin performansı, tepe sinyal-gürültü oranı, yapısal benzerlik indeksi, ortalama kare hata değerleri ve görsel kaliteye dayalı olarak doğrulanmıştır. TRDD, en gelişmiş çok çözünürlüklü görüntü gürültü giderme algoritmalarıyla karşılaştırılmış ve yöntemin hem niceliksel hem de görsel olarak daha üstün gürültü giderme performansı elde ettiği görülmüştür. Ayrıca TRDD'nin hesaplama süresi analiz edilmiş ve mevcut yaklaşımlarla karşılaştırılmıştır.Article Fusion of Ct and Mr Liver Images Using Multiresolution Analysis Methods(2021-12-03) Cihan, Mücahit; Ceylan, MuratThere are various medical imaging techniques such as Computed Tomography (CT) and Magnetic Resonance (MR) techniques. Both techniques give complex features of the region to be imaged. This study proposes an approach that uses Multiresolution Analysis (MRA) methods to fuse CT and MR liver images to obtain as detailed images as possible for medical diagnostic purposes. The transform coefficients are obtained by applying MRA methods to the images. Images are combined by applying 3 different fusion rules to these transform coefficients. Peak Signal to Noise Rate (PSNR), Structural Similarity Index Measure (SSIM) and Mean Square Error (MSE) values are calculated to evaluate the fused images. When comparing the methods, the best result was obtained using complex-valued curvelet transform.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.Article Kç3b-esa: Hiperspektral Görüntü Sınıflandırması için Yeni 3b Evrişimli Sinir Ağı ve Uzaktan Algılama Uygulaması(2020-10-01) Cihan, Mücahıt; Ceylan, MuratHiperspektral Görüntüleme (HSG) uzamsal ve spektral bilgiyi içeren yüzlerce banttan oluşur. HSG verileri sınıflandırılırken uzamsal özelliklerin yanında spektral özelliklerinde elde edilmesi büyük önem taşır. Bu çalışmada hem uzamsal hem de spektral bilgilerin elde edilmesi için yeni bir derin öğrenme modeli önerilmiştir. Öncelikle, HSG verilerinin boyutlarının büyük olmasından dolayı tüm verilere Temel Bileşen Analizi (TBA) uygulanarak uzamsal boyut değişmeyecek şekilde spektral boyut küçültülmüştür. Daha sonra yeni bir yöntem olan, HSG verilerinin sınıflandırıldığı çalışmalarda yer alan, Komşuluk Çıkarımı (KÇ) yöntemi kullanılmıştır. Bu yöntem ile tüm pikselleri tarayacak şekilde mini küpler oluşturularak örnek sayısı artırılmıştır. Son olarak oluşturulan bu küpler 3B konvolüsyon katmanlarının bulunduğu 3B-Evrişimli Sinir Ağı (3B-ESA) modeli ile eğitilmiştir. Bu sayede daha anlamlı özelliklerin elde edilmesi sağlanmıştır. Önerilen modeli test etmek için Indian Pines (IP), Salinas Scene (SA) ve Pavia University (PU) uzaktan algılama veri setleri kullanılarak HSG sınıflandırma deneyleri yürütülmüştür. Yürütülen bu deneyler sonucunda tüm veri setleri için genel doğruluk (GD), kappa katsayısı (KC) ve ortalama doğruluk (OD) değerleri hesaplanarak sınıflandırma performansı değerlendirilmiştir. Sınıflandırma işlemi sonucunda IP veri seti için %99.10 GD, %98.97 KC, %96.23 OD; SA veri seti için %100 GD, %100 KC, %100 OD; ve son olarak PU veri seti için %99.90 GD, %99.87 KC, %99.67 OD doğruluk oranları elde edilmiştir. Daha sonra bu sonuçlar gelişmiş derin öğrenme tabanlı metotlarla karşılaştırılarak, önerilen KÇ3B-ESA modelinin çok daha iyi bir performans gösterdiği kanıtlanmıştır.Article Image Fusion and Deep Learning Based Ear Recognition Using Thermal and Visible Images(2023) Ceylan, Murat; Cihan, MücahitAdvances in imaging and deep learning have fueled interest in ear biometrics, as the structure of the ear offers unique identification features. Thermal and visible ear images capture different aspects of these features. Thermal images are light-independent, and visible images excel at capturing texture details. Combining these images creates more feature-rich composite images. This study examines the fusion of thermal and visible ear images taken under varying lighting conditions to enhance automatic ear recognition. The image fusion process involved three distinct multiresolution analysis methods: discrete wavelet transform, ridgelet transform, and curvelet transform. Subsequently, a specially designed deep learning model was used for ear recognition. The results of this study reveal that employing the complex-valued curvelet transform and thermal images achieved an impressive recognition rate of 96.82%, surpassing all other methods. Conversely, visible images exhibited the lowest recognition rate of 75.00%, especially in low-light conditions. In conclusion, the fusion of multiple data sources significantly enhances ear recognition effectiveness, and the proposed model consistently achieves remarkable recognition rates even when working with a limited number of fused ear images.Article CALA-HSI: Content-Adaptive Local Attention for Spectral-Spatial Hyperspectral Image Classification(IOP Publishing Ltd, 2026) Cıhan, MücahitAbstract Hyperspectral image (HSI) classification remains challenging because spectral bands are highly redundant, labeled samples are often scarce, and land-cover patterns can vary substantially across heterogeneous scenes. To address these challenges, this study proposes Content-Adaptive Local Attention for Hyperspectral Image Classification (CALA-HSI), a compact spectral-spatial framework designed for robust classification under limited supervision. Instead of modeling all spatial positions globally, the proposed Content-Adaptive Local Attention (CALA) mechanism adaptively aggregates spatial evidence within local neighborhoods. This allows each pixel to use context-dependent information while preserving a lightweight computational structure. A compact Squeeze-and-Excitation inspired Spectral Attention module (SpA) is also integrated before CALA to recalibrate informative spectral responses and suppress less useful channels. CALA-HSI is evaluated on four widely used benchmarks, Indian Pines, Pavia University, Salinas, and Houston University, under four supervision regimes corresponding to 15%, 10%, 5%, and 1% labeled training samples. Across 16 evaluation scenarios and nine representative baselines, CALA-HSI achieves the highest mean Overall Accuracy (OA) of 96.04 ± 5.74%, the highest mean kappa coefficient of 94.28 ± 7.65%, the lowest mean loss of 0.153 ± 0.223, and the best mean OA rank of 1.44. It ranks first in OA and kappa coefficient in 11 out of 16 scenarios and appears in the Top-3 OA results in 15 scenarios. The model remains highly compact, with 46,724 parameters and an average computational cost of 0.0257 billion floating-point operations (GFLOPs). Ablation studies show that CALA is the main contributor to spectral-spatial discrimination, while the complete SpA and CALA design provides the most reliable gains, particularly under extreme label scarcity. Statistical and best/worst-case analyses further indicate a favorable scenario-level tendency for CALA-HSI. These results show that CALA-HSI provides an effective balance between accuracy, robustness, and efficiency for HSI classification under limited supervision.
Research Topics
Domains
Physical SciencesLife SciencesHealth Sciences
Fields
EngineeringBiochemistry, Genetics and Molecular BiologyChemistryMedicine
Subfields
Media TechnologyBiophysicsAnalytical ChemistryRadiology, Nuclear Medicine and Imaging
Specific Research Areas
Remote-Sensing Image Classification
Spectroscopy Techniques in Biomedical and Chemical Research
Spectroscopy and Chemometric Analyses
Optical Imaging and Spectroscopy Techniques
Advanced Image Fusion Techniques
Sustainable Development Goals
3GOOD HEALTH AND WELL-BEING
1
Research Products
This researcher does not have a Scopus ID.
Documents
10
Citations
46
Publication Collaboration
| Affiliation Name | Count |
|---|---|
| Konya Technical University | 16 |
| Selçuk University | 2 |
| Selçuk Üniversitesi Tıp Fakültesi Hastanesi | 2 |
1 / 1
Data obtained from OpenAlex
| Journal | Count |
|---|---|
| International Journal of Multidisciplinary Studies and Innovative Technologies | 2 |
| European Journal of Science and Technology | 1 |
| Gazi University Journal of Science Part A Engineering and Innovation | 1 |
| IEEE Geoscience and Remote Sensing Letters | 1 |
| KSÜ Mühendislik Bilimleri Dergisi | 1 |
Current Page: 1 / 2
Scholarly Output
10
Articles
9
Views / Downloads
13/37
Supervised MSc Theses
0
Supervised PhD Theses
0
WoS Citation Count
4
Scopus Citation Count
4
Patents
0
Projects
0
WoS Citations per Publication
0.40
Scopus Citations per Publication
0.40
Open Access Source
8
Supervised Theses
0
Scopus Quartile Distribution
Competency Cloud
