Kırmızıay, Çağatay

Profile Picture
Profile URL
https://hdl.handle.net/20.500.14365/7370
Name Variants
Kirmiziay, Cagatay
Job Title
Email Address
cagatay.kirmiziay@ieu.edu.tr
Main Affiliation
05.06. Electrical and Electronics Engineering
Status
Former Staff
Website
ORCID ID
https://orcid.org/0000-0002-1096-7069
Scopus Author ID
58018306000
Turkish CoHE Profile ID
Google Scholar ID
WoS Researcher ID
HLO-0973-2023

Sustainable Development Goals

SDG data is not available
Documents

2

Citations

2

h-index

1

Go to Scopus profile
Documents

2

Citations

2

Go to WoS profile
Scholarly Output

3

Articles

1

Views / Downloads

1/8

Supervised MSc Theses

1

Supervised PhD Theses

0

WoS Citation Count

2

Scopus Citation Count

2

WoS h-index

1

Scopus h-index

1

Patents

0

Projects

0

WoS Citations per Publication

0.67

Scopus Citations per Publication

0.67

Open Access Source

1

Supervised Theses

1

Google Analytics Visitor Traffic

JournalCount
2022 Medıcal Technologıes Congress (Tıptekno'22)1
Electrica1
Current Page: 1 / 1

Scopus Quartile Distribution

Competency Cloud

GCRIS Competency Cloud

Filters

2022 - 20243
Reset filters

Settings

Scholarly Output Search Results

Now showing 1 - 3 of 3
  • Thumbnail Image
    Conference Object
    Citation - WoS: 2
    Citation - Scopus: 2
    Nled: Neighbor Linear-Embedding Denoising for Fluorescence Microscopy Images
    (IEEE, 2022) Kirmiziay, Cagatay; Aydeniz, Burhan; Turkan, Mehmet
    As noise corruption is an inevitable issue for all imaging technologies, this problem causes serious difficulties in analyzing the biological fine-details of fluorescence microscopy images. While Gaussian only, Poisson only and mixture of Poisson-Gaussian can generally be observed, the mixed-noise is more prominent in fluorescence microscopy. In this paper, a novel patch-based denoiser-learning approach is proposed for the images captured by fluorescence microscopy. The developed algorithm mainly builds upon linear-embeddings of neighboring image patches, and it learns a linear transformation between noisy and clean intrinsic geometric properties of patch-spaces. Experimental results demonstrate that the proposed Neighbor Linear-Embedding Denoising (NLED) has competitive performance both visually and statistically when compared to other algorithms in literature, for noise corrupted fluorescence microscopy images.
  • Thumbnail Image
    Master Thesis
    Patch Based Image Denoising Through Locally Linear Embedding
    (İzmir Ekonomi Üniversitesi, 2022) Kırmızıay, Çağatay; Türkan, Mehmet
    Bu tezde, veri biliminde bir boyutsallık indirgeme yöntemi olan Yerel Olarak Doğrusal Yerleştirme (YDY) aracılığıyla görüntü gürültü giderme algoritmaları geliştirilmiştir. Gürültü giderme onlarca yıldır çalışılsa da henüz bir üst ve kesin sınır olmadığı için halen aktif bir araştırma alanıdır. YDY'yi kullanarak, görüntü gürültü gidermenin yeni bakış açılarının oluşturulması amaçlanmaktadır. Bu nedenle, geleneksel parça tabanlı yaklaşımlar ve temel sözlük öğrenme algoritmaları geliştirilmiştir. Parça tabanlı işlemi kullanmanın ana fikri, her bir parçanın en yakın komşu yamalarının YDY ağırlıkları ile gürültü giderilmiş parçaların seyrek temsillerini tahmin etmektir. Gürültünün etkisini azaltmak için parça boyutu, sözlük boyutu, boyutsallık indirgeme boyutu, en yakın komşu parça sayısı gibi çeşitli parametreler analiz edilmiştir. Dahası, alfa köklendirme, dönüşüm alanında eşikleme, hata tabanlı sözlük güncelleme ve özellik eşleme gibi yaklaşımlar denenmiştir. İstatistiksel sonuçlara ve görsel değerlendirmelere göre, gürültü etkisinin ortadan kaldırılması kadar görüntülerdeki detayların korunması da önemlidir. Deneysel sonuçlar, alfa köklendirmeye dayalı olarak geliştirilen algoritmanın çok umut verici sonuçlara sahip olduğunu göstermektedir. Ayrıca, önerilen yöntemin gürültü giderme performansı, literatürdeki iyi bilinen gürültü giderme algoritmaları ile rekabet edebilir.
  • Thumbnail Image
    Article
    Fluorescence Microscopy Denoizing Via Neighbor Linear Embedding
    (Istanbul University, 2024) Kırmızıay, Çağatay; Aydeniz, Burhan; Türkan, Mehmet
    One of the difficulties in studying fluorescence imaging of biological structures is the presence of noise corruption. Even though hardware- and software-related technologies have undergone continual improvement, the unavoidable effect of Poisson–Gaussian mixture type is generally encountered in fluorescence microscopy images. This noise should be mitigated to allow the extraction of valuable information from fluorescence images for various types of biological analysis. Thus, this study introduces a new and efficient learning-based denoizing approach for fluorescence microscopy. The proposed approach is based mainly on linear transformations between noise-free and noisy submanifold structures of patch spaces, benefiting from linear neighbor embeddings of local image patches. According to visual and statistical results, the developed algorithm called "neighbor linear-embedding denoizing" algorithm has a highly competitive and generally superior performance in comparison with the other algorithms used for fluorescence microscopy image denoizing in the literature. © 2024 Istanbul University. All rights reserved.