Yazar "Yurttakal, Ahmet Haşim" seçeneğine göre listele

Listeleniyor 1 - 4 / 4
  • [ X ]
    Öğe
    Darknet Web Traffic Classification via Gradient Boosting Algorithm
    (Kırıkkale Üniversitesi, 2022) Horasan, Fahrettin; Yurttakal, Ahmet Haşim
    Classification of network traffic not only contributes to improving the quality of network services of institutions, but also helps to protect important data. Machine learning algorithms are frequently used in the classification of network traffic, since port-based and load-based classification processes are insufficient in encrypted networks. In this study, VPN and Tor network traffic combined in the darknet category was classified with the Gradient Boosting Algorithm. 70% of the dataset is reserved for training and 30% for testing. 10 fold cross validation was applied in the training set. Network flows in 8 different categories: Audio-Streaming, Browsing, Chat, E-mail, P2P, File Transfer, Video-Streaming and VOIP were classified with 99.8% accuracy. The proposed method automated the process of network analysis from the darknet. It enabled organizations to protect their important data with high accuracy in a short time.
  • Küçük Resim
    Öğe
    Dinamik kontrastlı manyetik rezonans görüntülerinde bilgisayarlı meme kanseri sınıflandırması
    (Kırıkkale Üniversitesi, 2019) Yurttakal, Ahmet Haşim; Erbay, Hasan
    Meme kanseri, meme dokusundaki hücrelerde gelişen kanser türüdür. Kadınlarda en sık görülen kanser türüdür. Meme kanseri tümörünün erken teşhisi, tedavi sürecinde hayati öneme sahiptir. Mamografi, fiziksel belirtiler gelişmeden önce meme kanserini erken bir aşamada tanımlamak için değerli bir araçtır. Meme görüntülerini oluşturmak için X ışınlarını kullanan, memenin özel bir radyografisidir. Mamografide yanlış-negatif teşhisi azaltmak için, % 2'den daha fazla habis tümör şüphesi olma ihtimali olan lezyonlar için biyopsi önerilmektedir ve bunların arasında % 30'dan daha azının habis olduğu tespit edilmiştir. Gereksiz biyopsileri azaltmak için, son zamanlarda, Manyetik Rezonans Görüntüleme (MRG) de meme kanseri tanısı için kullanılmıştır. MRG, meme kanseri tümörlerini tespit etmek, izlemek ve lezyonlu bölgeleri yorumlamak için önerilen bir testtir çünkü yumuşak doku görüntüleme için mükemmel bir kabiliyete sahiptir. Doku görüntüsünü oluştururken, biyolojik olarak zararlı kabul edilen iyonlaştırıcı radyasyon yerine yüksek manyetik alanlar ve radyo frekansında sinyaller kullanmaktadır. Bununla birlikte, deneyimli bir radyolog ve zaman alıcı bir süreç gerektirmektedir. Öte yandan, Evrişimsel Sinir Ağları (ESA) görüntü sınıflandırmada makine öğrenmesi tabanlı yöntemlerle karşılaştırıldığında görüntü sınıflandırmada daha iyi performans göstermiştir. Bu tez çalışmasında, MRG görüntüleri kullanarak meme kanseri tümörünü teşhis etmek için ESA'lar kullanılmaktadır. Yalnızca piksel bilgilerini kullanarak, çevrimiçi veri artışına sahip, çok katmanlı bir ESA modeli tasarlanmıştır. Önerilen ESA modelinin doğruluğu %98.33, hata oranı 0.0167 duyarlılığı 1.0, özgüllüğü %96.88 iken kesinlik değeri %96.55'tir. Doğruluk, hata oranı, hassasiyet, duyarlılık, özgüllük gibi performans ölçümleri, ağın umut verici olduğunu göstermektedir.
  • [ X ]
    Öğe
    Kesik Tekil Değer Ayrışımı ve Ayrık Dalgacık Dönüşümü Kullanılarak Boyut İndirgeme Tabanlı Dayanıklı Dijital Görüntü Damgalama
    (2022) Yurttakal, Ahmet Haşim; Horasan, Fahrettin
    Telif hakkı koruma, kimlik doğrulama, parmak izi, içerik etiketleme gibi alanlarda kullanılan damgalama tekniklerinde genel olarak sinyal işleme dönüşümleri ve matematiksel teknikler kullanılır. Bu araştırmada çoğu damgalama tekniğinde tercih edilen Tekil Değer Ayrışımı (TDA) yerine, boyut indirgeme tabanlı Kesik-TDA tekniği kullanılmıştır. Önerilen bu teknik Ayrık Dalgacık Dönüşümü (ADD) ile birlikte kullanılmıştır. Temel TDA-ADD tabanlı yönteme göre önerilen yöntemin histogram eşitleme dışında tüm olası saldırılara karşı algılanamazlık ve dayanıklılık performanslarında ilerleme kaydettiği gözlenmiştir. Önerilen şemanın farklı matris ayrışımı ve sinyal işleme dönüşümlerinin kullanıldığı alternatif damgalama şemalarına yön vereceği tahmin edilmektedir.
  • Küçük Resim
    Öğe
    Prediction of Glioma Grades Using Deep Learning with Wavelet Radiomic Features
    (MDPI, 2020) Çınarer, Gökalp; Emiroğlu, Bülent Gürsel; Yurttakal, Ahmet Haşim
    Gliomas are the most common primary brain tumors. They are classified into 4 grades (Grade I-II-III-IV) according to the guidelines of the World Health Organization (WHO). The accurate grading of gliomas has clinical significance for planning prognostic treatments, pre-diagnosis, monitoring and administration of chemotherapy. The purpose of this study is to develop a deep learning-based classification method using radiomic features of brain tumor glioma grades with deep neural network (DNN). The classifier was combined with the discrete wavelet transform (DWT) the powerful feature extraction tool. This study primarily focuses on the four main aspects of the radiomic workflow, namely tumor segmentation, feature extraction, analysis, and classification. We evaluated data from 121 patients with brain tumors (Grade II,n= 77; Grade III,n= 44) from The Cancer Imaging Archive, and 744 radiomic features were obtained by applying low sub-band and high sub-band 3D wavelet transform filters to the 3D tumor images. Quantitative values were statistically analyzed with MannWhitney U tests and 126 radiomic features with significant statistical properties were selected in eight different wavelet filters. Classification performances of 3D wavelet transform filter groups were measured using accuracy, sensitivity, F1 score, and specificity values using the deep learning classifier model. The proposed model was highly effective in grading gliomas with 96.15% accuracy, 94.12% precision, 100% recall, 96.97% F1 score, and 98.75% Area under the ROC curve. As a result, deep learning and feature selection techniques with wavelet transform filters can be accurately applied using the proposed method in glioma grade classification.