In today’s world, there has been a significant increase in the diversity of data sources and the volume of data. This situation especially necessitates the use of technologies such as deep learning in data processing. This study thoroughly examines the processing of computed tomography (CT) images with deep learning models and their role in the diagnosis of brain hemorrhages, proposing an innovative deep learning-based model for accurately detecting and segmenting brain hemorrhages. This model combines the architectures of Mask Scoring R-CNN and EfficientNet-B2, offering an effective approach for the detection and classification of brain hemorrhages. MS R-CNN is used to detect potential hemorrhage areas in CT images, while the EfficientNet-B2 architecture serves a classification function to determine whether these areas indeed contain hemorrhages. Thus, the model offers a two-stage verification process that enhances accuracy and precision. The performance of the model has been evaluated under patient-based and random partitioning techniques using by employing two distinct datasets: an open-access and a private. In patient-based evaluation, the proposed model has an accuracy of %91.59 on open dataset and an accuracy of %90.46 on private dataset for SDH hemorrhages. In the random partitioning method, the model’s accuracy rate has risen to %94.30 on open dataset and %97.33 on private dataset. Compared with similar studies in the literature, these results demonstrate that the model has a high level of accuracy and reliability. This study highlights the potential and importance of AI-supported methods in the detection of brain hemorrhages and provides a solid foundation for future work in this area. Additionally, the results obtained from an open dataset by the proposed model offer a realistic and comparable reference for future work in this field.The results obtained from a second data set also clearly demonstrate the validity of the model.
15 March 2023 in Journal of Intelligent Systems: Theory and Applications
Teknolojinin gelişmesiyle birlikte yapay zekâ temelli uygulamalar pek çok alanda destek amaçlı kullanılmaktadır. Sağlık sektörü de bu tür uygulamaların yaygın kullanıldığı alanlardan bir tanesidir. Sağlık sektöründe teknolojik gelişime bağlı olarak meydana gelen bilgi artışı beraberinde radyolojik değerlendirmede uzmanlık gereğini doğurmuştur. Yoğun çalışma saatleri, sağlık kurumlarında her branştan uzmana ulaşılamaması ve özellikle acil patolojilerde erken teşhisin önemi göz önünde bulundurulduğunda hekimlere teşhis sürecinde destek olacak uygulamalara olan ihtiyacın önemi anlaşılmaktadır. Çalışma kapsamında Bilgisayarlı Tomografi (BT) görüntüleri kullanılarak beyin kanamalarının tespitini gerçekleştirmek amacıyla güncel derin öğrenme yöntemlerinden Görsel Geometri Grubu (VGG), Artık Sinir Ağı (ResNet) ve EfficientNet mimarileri yine güncel bir veri kümesi olan PhysioNet’e uygulanmıştır. Modeller doğruluk, kesinlik, hassasiyet ve F1 skor metrikleri kullanılarak hem kendi aralarında hem de literatürdeki çalışmalarla karşılaştırılmıştır. Gerçekleştirilen çalışma ile veri kümesine uygun model seçiminin önemi güncel modeller üzerinden ortaya konulmuştur. EfficientNet-B2 modelinin başarısı hem literatürdeki çalışmalardan hem de makale kapsamında değerlendirilen modellerden yüksek olmuştur. Elde edilen sonuçlar güncel derin öğrenme modellerinin, beyin kanaması teşhisine yardımcı olabilecek potansiyelde olduğunu göstermiştir. Çalışma acil servislerin yükünü çeken pratisyen hekimleri en azından beyin kanamasının varlığı konusunda uyarıp kanama durumunun gözden kaçmamasını sağlaması ve erken teşhisi açısından önem arz etmektedir.
14 July 2025 in The European Physical Journal Special Topics
Kusur tespiti yapan sistemlerin tasarımındaki en büyük zorluklardan biri tasarlanan sistemin ne tür kusurlar üzerinde kullanılacağı ve hangi görüntü işleme yöntemlerini kullanacağı belirsizliğidir. Çizik çeşitleri, farklı türde yüzey aşınmaları ve gerçek zamanlı işleme ihtiyacı görüntü işleme ile yapılan kusur tespitinin önündeki zorlayıcı etmenlerden bazılarıdır. Tipik olarak, kusur analizi problemlerini ele almak için istatistiksel, spektral ve model tabanlı yaklaşımlar kullanılabilir. Model tabanlı tekniklerin güçlü bir alt kümesi olan makine öğrenimi, kusur analizinde giderek daha popüler hale gelmiştir. Bu çalışmada LPG dolum tesislerinde kullanılan LPG tüplerinin yüzeylerinde meydana gelen bozulmaların ve kusurların tespit edilmesi amaçlanmıştır. Meydana gelen bozulmalar tüplerin okunabilirliğini azalttığı gibi tüp okuma işlemlerinin doğruluğunu da azaltmaktadır bu sebeple bu bozulmaların tespit edilmesi sistemin doğruluğu açısından büyük önem taşımaktadır. Gerçek zamanlı çalışma hızına sahip olması amacıyla görüntü işleme ve makine öğrenmesi algoritmaları kullanılan yöntem bu yönüyle literatürdeki diğer çalışmalardan ayrılmaktadır. Yöntem, fabrika ortamında oluşturulan veri seti üzerinde uygulanmıştır. Çalışmamızda, temiz olarak tanımlanan LPG tüpleri için kirlilik oranı 2%'den düşük bulunmuştur ve bu tüplerin doğruluk değerlerinin standart sapması ortalama 0.27'dir. Buna karşılık, kirli olarak tanımlanan tüplerde ortalama kirlilik oranı 18% olarak tespit edilmiş ve bu tüplerin standart sapması 2.03 olarak hesaplanmıştır.
3 March 2025 in Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi
Kafa travmaları, ciddi sonuçlara yol açabilen ve etkileri uzun yıllar sürebilecek sağlık sorunlarından biridir. Teşhis, ilk aşamada nörolojik muayene ile başlar ve gerektiğinde bilgisayarlı tomografi (BT) kullanılır. Kafatası kırıkları, diğer kafa travmalarına göre daha ciddi hasarlara eşlik ederler ve sıkça görülür. Özellikle ilk müdahalenin pratisyen hekimler ve acil uzmanları tarafından yapılması, BT görüntülerinin yorumlanmasında uzmanlık ve destek gerektirir. Bu noktada, özellikle ilk teşhis ve tanı aşamasında hekimlere destek olacak yapay zeka tekniklerinin varlığı büyük bir önem taşımaktadır. Bu çalışmada kafatası kırığının tespiti için kullanılabilecek dört farklı mimarinin alt modelleriyle birlikte kapsamlı bir karşılaştırması yapılmıştır. Bu amaçla Verimli Sinir Ağı (EfficientNet), Artık Ağlar (ResNet), Residual Networks with Aggregated Residual Transformations (ResNeXt) ve Maximum Vision Transformer (MaxVit) mimarileri çalışmaya dahil edilmiştir. Modellerin kafatası kırığını sınıflandırma açısından başarısı çalışmaya özgü olarak toplanan kapsamlı ve güncel bir veri kümesi üzerinden gösterilmiştir. Deneysel sonuçlar ile hem hangi yöntemin kafatası kırığı açısından daha uygun ve doğru sonuçlar verdiği ortaya konulmuş hem de güncel derin öğrenme mimarilerinin bu alandaki durumu özetlenmiştir.