Background/Objectives: Dental plaque is a significant contributor to various prevalent oral health conditions, including caries, gingivitis, and periodontitis. Consequently, its detection and management are of paramount importance for maintaining oral health. Manual plaque assessment is time-consuming, error-prone, and particularly challenging in uncooperative pediatric patients. These limitations have encouraged researchers to seek faster, more reliable methods. Accordingly, this study aims to develop a deep learning model for detecting and segmenting plaque in young permanent teeth and to evaluate its diagnostic precision. Methods: The dataset comprises 506 dental images from 31 patients aged between 8 and 13 years. Six state-of-the-art models were trained and evaluated using this dataset. The U-Net Transformer model, which yielded the best performance, was further compared against three experienced pediatric dentists for clinical feasibility using 35 randomly selected images from the test set. The clinical trial was registered on under the ID NCT06603233 (1 June 2023). Results: The Intersection over Union (IoU) score of the U-Net Transformer on the test set was measured as 0.7845, and the p-values obtained from the three t-tests conducted for comparison with dentists were found to be below 0.05. Compared with three experienced pediatric dentists, the deep learning model exhibited clinically superior performance in the detection and segmentation of dental plaque in young permanent teeth. Conclusions: This finding highlights the potential of AI-driven technologies in enhancing the accuracy and reliability of dental plaque detection and segmentation in pediatric dentistry.

Bu çalışmada 2011-2019 yılları arasında artırılmış gerçeklik alanında yapılan uluslararası çalışmalar farklı kategorilere göre analiz edilmiştir. Bu amaçla, eğitim teknolojileri alanında uluslararası 10 SSCI dergideki son 9 yıllık “Artırılmış Gerçeklik” konulu toplam 77 akademik çalışma incelenmiştir. Araştırmaya dâhil edilen yayınlar, makale sınıflama formu kullanılarak 8 farklı kategoride analiz edilmiştir. Bu kategoriler doğrultusunda yapılan betimsel istatistikler tablolar halinde sunulmuş ve sonuçlar yorumlanmıştır. Yapılan çalışma sonucunda artırılmış gerçeklik çalışmalarında araştırma değişkeni olarak eğilimin akademik başarı, motivasyon ve tutum üzerine olduğu görülmüştür. Bunun yanında, çalışmalarda ilkokul ve lisans düzeyinin örneklem grubu olarak daha sık kullanıldığı görülmüştür. Bu çalışma, genel hatlarıyla artırılmış gerçeklik alanında araştırma yapanlar için güncel akademik çalışmalar hakkında detaylı analizler içermektedir.

Brain tumors originating from glial cells are pathological entities that significantly impact quality of life and are classified based on their malignancy into low-grade gliomas (LGGs) and high-grade gliomas (HGGs). While the more aggressive HGGs have been extensively studied, LGGs are of critical importance for early diagnosis due to their potential progression to HGGs if left untreated. This has driven researchers to develop methods for the rapid and consistent diagnosis of LGGs. In this study, three models—UNet, Transformer UNet, and Super Vision UNet—were comparatively evaluated for the automatic segmentation of LGGs using magnetic resonance imaging (MRI) data. Multimodal MRI scans from 110 patients, retrieved from The Cancer Imaging Archive (TCIA), were used to train the models. Performance was evaluated using Dice Coefficient, Tversky Index, and Intersection over Union (IoU) metrics. The Super Vision UNet achieves the highest Dice (0.9115) and Tversky (0.9154) scores, while the Transformer UNet attains the highest IoU (0.8789). Both advanced models demonstrate superior segmentation performance with lower loss values compared to the conventional UNet. Visual outputs indicate that the modern architectures delineate tumor contours with greater precision. These results highlight the effectiveness and reliability of contemporary UNet-based and Transformer-based architectures in segmenting complex tumor structures such as LGGs. Integrating these models into clinical decision support systems holds promise for enhancing the speed and accuracy of the diagnostic process.

Objective: Chronic pulmonary regurgitation following tetralogy of Fallot repair burdens the right ventricle. This study evaluated early outcomes of pulmonary valve reconstruction using right atrial tissue versus standard transannular patch repair.Methods: A retrospective analysis of 412 tetralogy of Fallot patients (2014–2024) was conducted: Atrial Valve Group (n = 205) underwent valve reconstruction; No-Valve Group (n = 207) received standard repair. Patients were followed for 1 year with echocardiographic assessments. Outcomes included right ventricular insufficiency, ventilation duration, and ICU stay.Results: Atrial Valve Group had lower right ventricular insufficiency at 12 months (9.3% vs. 19.8%, p = 0.004, OR = 2.39, 95% CI: 1.32–4.33), shorter ventilation times (6.1 vs. 18.0 hours, p < 0.001, Cohen’s d = 3.54), and reduced ICU stays (3.0 vs. 5.7 days, p < 0.001, Cohen’s d = 1.87), despite longer CPB durations (47.1 vs. 40.5 minutes, p = 0.02).Conclusions: Right atrial tissue reconstruction reduces early and intermediate-term right ventricular dysfunction post-tetralogy of Fallot repair. Long-term studies are needed.

Amaç: Milli Eğitim Bakanlığı tarafından ülke kapsamında FATİH projesi yürütülmektedir. Proje sürecinde öğrencilere dağıtılan tablet bilgisayarların eğitsel kabul düzeyi ve eğitim ortamına entegrasyonu merak konusu olmuştur. Bu çalışmada lise öğrencilerinin tablet bilgisayarların eğitsel kullanımına yönelik tutumlarını belirlemek amacıyla veriler toplanarak bir tutum ölçeğinin geçerlik ve güvenilirlik analizleri yapılmıştır.Yöntem: 11 maddelik pilot ölçek formu ile 3 farklı lisede toplam 256 öğrenciden veriler toplanmıştır. Elde edilen veriler üzerinde ilk olarak gerekli normallik varsayımları test edilmiş ve normal dağıldığı görüldükten sonra yapı geçerliliği kapsamında açımlayıcı ve doğrulayıcı faktör analizi yapılmıştır. Güvenilirlik çalışmaları kapsamında madde toplam korelasyonları ve Cronbach alfa iç tutarlılık katsayıları incelenmiştir.Bulgular: Ölçekte varimax döndürme tekniği uygulanmış 4 madde ölçekten çıkarılmıştır. Açımlayıcı faktör analizinde özdeğeri 1’in üzerinde 2 faktör ortaya çıkmıştır. Toplam 7 maddeden ve 2 faktörden oluşan ölçeğin, açıkladığı toplam varyansın %74.994 çıktığı görülmüştür. Ölçek için yapılan doğrulayıcı faktör analizi sonucunda ise uyum indis değerlerinin mükemmel ve kabul edilebilir olduğu ve 7 faktörlü modelin doğrulandığı ortaya çıkmıştır. Ölçekte birinci faktörün Cronbach alfa iç tutarlılık katsayısı .885, ikinci faktörünün Cronbach Alfa iç tutarlılık katsayısı ise .835’dir. Ölçeğin maddelerinin düzeltilmiş madde-toplam korelasyonlarının .808 ile .642 arasında değiştiği sonucuna ulaşılmıştır.Sonuçlar ve Öneriler: Analizler sonucunda geçerli ve güvenilir bir ölçme aracı geliştirilmiştir. Beşli likert tipi bir yapıya sahip olan ölçekten alınabilecek en düşük puan 7, en yüksek puan ise 35’tir. Ölçekten alınan puan yükseldikçe tablet bilgisayarların eğitsel kullanımına yönelik sahip olunan tutum olumlu yönde artmaktadır. Ölçeğe ilişkin geçerlik ve güvenirlik çalışmaları farklı örneklem gruplarında ve diğer eğitim kademelerinde tekrarlanabilir.

One major challenge faced by deep learning-based methods that detect target objects in the form of bounding boxes is object occlusion. High degrees of occlusion significantly diminish the accuracy of instance segmentation. Nonetheless, complex-valued Fourier descriptors can robustly represent object boundaries using minimal information. In this study, the impact of integrating Fourier descriptors—renowned for their strong representational capacity—with deep network models (UNet) that exhibit high generalization performance on instance segmentation accuracy was investigated. Within the scope of the research, nine network models were designed based on different strategies for utilizing frequency components. These variants fall into four strategy families: (i) UNet-style spectrum regression on fixed low-frequency windows (FUNet), (ii) magnitude-guided frequency selection/ROI construction (FUNet–Thr, FUNet–BBox), (iii) sequence models over tokenized FFT coefficients (BiLSTM Patch/Sorted), and (iv) encoder-only spectrum predictors with different depth/capacity (EncoderFFT1/2). To fairly evaluate the models’ performance in segmenting objects subjected to disruptive factors (e.g., occlusion, blurring, noise), a specialized synthetic dataset was prepared. The task is formulated as single-target (single-instance), single-class segmentation. This dataset, automatically generated according to initial parameter values, contains images of objects moving at various speeds within a single frame. Among these models, the one termed FUNet, which relies on partial matching of central frequency components, achieved the highest segmentation accuracy despite the disruptive effects. Under the challenging Dataset 8 setting, the proposed FUNet achieved the highest overlap-based performance (Dice = 0.9329, IoU = 0.8842) among Attention U-Net, U-Net, and FourierNet, with statistically significant gains confirmed by paired per-image tests.