Liver tumors negatively affect vital functions such as digestion and nutrient storage, significantly reducing patients’ quality of life. Therefore, early detection and accurate treatment planning are of great importance. This study aims to support physicians by automatically identifying the type and location of tumors, enabling rapid diagnosis and treatment. The segmentation process was carried out using deep learning methods based on artificial intelligence, particularly the U-Net architecture, which is designed for biomedical imaging. U-Net was modified by adding residual blocks, resulting in a deeper architecture called ResUNet. Due to the limited availability of medical data, both normal data fusion and discrete wavelet transform (DWT) methods were applied during the data preprocessing phase. A total of 131 liver tumor images, resized to 120 × 120 pixels, were analyzed. The DWT-based fusion method achieved more successful results, with a dice coefficient of 94.45%. This study demonstrates the effectiveness of artificial intelligence-supported approaches in liver tumor segmentation and suggests that such applications will become more widely used in the medical field in the future.

Tıbbi görüntü segmentasyonu, hastalığın teşhisi veya hastalıklı bölgenin konumlandırılması amacıyla, görüntüdeki renk ve şekil farklılıklarını kullanarak bölgeleri ayırma işlemidir. Bu işlem manuel veya otomatik olarak gerçekleştirilebilir. Günümüzde makine öğrenmesi ve derin öğrenme tekniklerini kullanan otomatik segmentasyon yöntemlerinde, performansı artırmak amacıyla alana özgü modeller geliştirilmekte olup, tıbbi veri setlerinde U-Net tabanlı segmentasyon mimarileri sınırlı ve dengesiz veri ile bile etkili sonuçlar verebilmektedir. Ancak U-Net mimarisinde, derin ağlarda gradyan sönmesi gibi eğitim zorlukları ortaya çıkabilmektedir; bu noktada ResNet mimarisi, daha derin bir yapı sağlayarak derinlik gereksinimlerini karşılamaktadır. Bu mimarilerin birleştirilmesiyle oluşan hibrit ResUNet mimarisi U-Net’in segmentasyon gücünü ResNet’in artık bağlantıları ile birleştirerek, hem derin ağların avantajını kullanmakta hem de eğitim sürecindeki zorlukları hafifletmektedir. Bu çalışmada, otomatik karaciğer tümör segmentasyonu amacıyla, Temel Bileşenler Analizi (PCA) ve Ayrık Dalgacık Dönüşümü (DWT) ile kanal bazlı birleştirilen veriler üzerinde hibrit ResUNet modeli uygulanmıştır. Her kanalın özgün ve ayırt edici örüntülerini koruyarak özellik temsillerini zenginleştirmek amacıyla kanal bazlı veri füzyonu kullanılmıştır. PCA ve DWT tabanlı her iki füzyon yöntemi de, verileri farklı uzaylara taşıyarak modelin görüntüdeki farklı yapıları ayırt etme kapasitesini güçlendirmiştir. Sonuçlar, her iki yöntemin de iki farklı veri setinde birbirine yakın dice benzerlik katsayısı değerleri elde ederek karşılaştırılabilir performans sergilediğini ortaya koymaktadır.

Honeybees play a vital role in maintaining the balance of ecosystems and supporting human life. Their primary contribution is pollination, which enhances agricultural productivity and biodiversity. Additionally, they produce valuable natural products such as honey, royal jelly, and propolis, which have nutritional and medicinal benefits. In recent years, increasing threats to bee populations have emphasized the need for improved beekeeping practices that ensure both the conservation of bees and the efficiency of hive management. Traditional beekeeping methods, while effective, are often labor-intensive and time-consuming. In contrast, precision beekeeping also known as smart beekeeping integrates technology to monitor and manage hives more efficiently. Artificial intelligence (AI)-based hive monitoring systems have emerged as powerful tools in this field. These systems use sensors and AI algorithms to collect and analyze data on temperature, humidity, bee activity, sound, and other environmental factors. They enable early detection of diseases, swarming, or other threats, allowing beekeepers to take timely action. Over the past decade, many studies have explored the use of machine learning and deep learning techniques in these systems. This chapter aims to provide a comprehensive overview of recent advancements and emerging trends in AI- supported hive monitoring, offering valuable insights to guide future research and technological innovation in modern beekeeping practices.