Kuş türlerini görüntü üzerinden sınıflandırmaya yönelik çalışmalar hem görüntü içerisindeki renk ve desen çokluğu hem de birbirine çok yakın görsel özelliklere sahip olmalarından dolayı oldukça zordur. Bu çalışmada kuş türlerinin sınıflandırması için altı farklı derin öğrenme modeli uygulanmış ve deneysel sonuçlar kapsamlı bir şekilde karşılaştırılmıştır. Veri kümesi olarak 225 kuş türüne sahip toplam 31316 kuş görüntüsü olan 250 Bird Species isimli veri kümesi kullanılmıştır. Çalışmada 1125 tane görüntü test ve 1125 tane görüntü ise doğrulama için kullanılmı ştır. Veri kümesi üzerinde sırasıyla VGG16, ResNet50, ResNet152V2, InceptionV3, MobileNet ve DenseNet121 derin öğrenme modellerinin doğruluk, kesinlik, hassasiyet ve F1-skoru değerlerine göre karşılaştırması yapılmıştır. Yapılan deneysel çalışmalarda, VGG16 ile %94,6, ResNet50 ile %47,2, ResNet152V2 ile %96,2, InceptionV3 ile %97,5, MobileNet ile %96,9 ve DenseNet121 ile %98,2 doğruluk değerleri elde edilmiştir. En yüksek kesinlik değeri 0,99, hassasiyet değeri 0,99 ve F1-skor değeri 0,99 olarak DenseNet121 ile elde edilmiştir.

Background: Assessment of root development and apical closure is critical in dental disciplines, including endodontics, trauma management, and age estimation. This study aims to leverage advances in deep learning Convolutional Neural Networks (CNNs) to automatically evaluate the apical region status of permanent first molars, highlighting a digital health application of AI in dentistry. Methods: In this retrospective study, 262 Cone Beam Computed Tomography (CBCT) scans were reviewed, and 147 anonymized dental images were cropped from pseudopanoramic radiographs, including standard measurements. Tooth regions were resized to 471 × 1075 pixels and split into training (80%) and test (20%) sets. CNN performance was assessed using accuracy, precision, recall, F1-score, and receiver operating characteristic (ROC) curves with area under the curve (AUC), demonstrating AI-based image analysis in a dental context. Results: Precision, recall, and F1-scores were 0.79 for open roots and 0.81 for closed roots, with a macro average of 0.80 across all metrics. The overall accuracy and AUC were also 0.80. Conclusions: These results suggest that CNNs can be effectively used to assess apical patency from ROI images derived from pseudopanoramic radiographs.

Research on brain cancer indicates that the severity of the disease varies according to tumor types and their specific characteristics. Accurate identification of tumor locations, extraction of distinctive features, and correct classification are of critical importance. In this study, brain tumors were detected using three different deep learning models developed on a dataset created within the scope of the TBP project and seven additional public datasets. All three models are based on Convolutional Neural Network (CNN) architectures for tumor detection. The first model is a baseline CNN; the second incorporates the Genetic Algorithm (GA), a traditional approach for hyperparameter optimization; and the third combines the CNN with the Slime Mold Algorithm (SMA), a recently proposed metaheuristic technique. Hybrid methods that achieve higher performance than baseline CNNs in binary tumor classification are presented and discussed. Experimental results were comparatively analyzed and visualized through graphs and tables. Compared to other CNN-based studies in the literature, the proposed approach improved accuracy by approximately 1–10%. Similarly, when compared with other machine learning (ML) and deep learning (DL) algorithms, excluding CNNs, performance gains ranged between 1% and 13%. The CNN+SMA model achieved the most consistent and notable improvements across all datasets. Although hybrid models generally require more computational resources due to their complex training structures, they tend to achieve higher accuracy and facilitate parameter optimization more effectively than single-model approaches.

Son yıllarda birçok alanda olduğu gibi sağlık alanında da yapay zeka kullanımı oldukça artmaya başlamıştır. Manyetik rezonans (MR) raporlarının manuel olarak tıp hekimleri tarafından oluşturulması oldukça zor, uzun zaman alan ve hatalı olma olasılığı yüksek bir süreçtir. Bu problemleri adreslemek amacıyla, bu çalışmada beyin MR görüntülerinden otomatik rapor üretecek derin öğrenme tabanlı görüntü altyazılama modeli önerilmiştir. Geliştirilen modelde, görüntü işleme, doğal dil işleme ve derin öğrenme yöntemleri birlikte kullanılarak tıbbi görüntüdeki içerik ve tanılara yönelik metin üretilmektedir. Öncelikle MR görüntüleri için, rastgele açılarla döndürme, boyut değiştirme, kırpma, parlaklık ve kontrast değiştirme, gölge ekleme ve aynalama gibi ön işlemler yapılmıştır. Ardından Bootstrapping Language Image Pre-Training (BLIP) modeli ve modelin transformer mimarisinden faydalanılarak rapor üreten bir model geliştirilmiştir. Yapılan deneysel çalışmalarda, geliştirilen modelin farklı metrikler için başarılı sonuçlar verdiği, üretilen raporların orijinal raporlara yüksek oranda benzer olduğu ve tıp alanında yardımcı öneri sistemi olarak kullanılabileceği görülmüştür.