Akademik Veri Yönetim Sistemi
ICANSAD 2023 3RD INTERNATIONAL CONGRESS ON SCIENTIFIC ADVANCES, Balıkesir, Türkiye, 20 - 23 Aralık 2023, ss.422-423, (Özet Bildiri)
Derin öğrenme tabanlı uygulamaların gelişmesiyle birlikte yapay zekâ teknolojilerinin hız kazanarak gelişmesi yeni teknolojilerin gelişmesine sebep olmuş ve yapılan çalışmalarda yapay zekânın daha etkin rol oynamasına sebep olmuştur. Görüntü segmentasyonu da bu gelişimden payını almış nesne tespiti, sınıflandırması ve segmentasyonu gibi alanlarda yapay zekânın gücünden etkin bir şekilde faydalanmıştır. Derin öğrenme yöntemlerinin gelişmesiyle birlikte UNet görüntü segmentasyonu mimarisinin geliştirilmesi görüntü segmentasyonunda yeni teknik ve mimarilerin geliştirilmesine kapı açmıştır. Yapılan çalışmada 2019 yılında tüm dünyada etkin olan Covid-19 hastalığının tespiti üzerine çalışılmıştır. Çalışmada UNet ve TNet görüntü segmentasyon mimarileri kullanılmış ve başarımları kıyaslanmıştır. TNet mimarisinin karmaşık yapısı basite indirgenerek Simple TNet olarak yeniden düzenlenmiş ve UNet mimarisine göre daha başarılı sonuçlar sergilediği gözlemlenmiştir. Yapılan çalışmada Dice ve Jaccard gibi başarım metrikleriyle ölçümler yapılmış ve kıyaslamalar farklı metrik değerleri ve görseller üzerinden değerlendirilmiştir. Çalışma 829 hasta verisi üzerinde uygulanmıştır. Ortalama başarım değerleri TNet mimarisi %99.7 ve UNet mimarisi %99.1 değerini elde etmiştir. Çalışmada kullanılan veri setlerine ait linkler aşağıda belirtildiği gibidir. https://www.kaggle.com/datasets/maedemaftouni/large-covid19-ct-slice-dataset https://www.kaggle.com/datasets/andrewmvd/covid19-ct-scans
With the development of deep learning-based applications, the accelerating development of artificial intelligence technologies has led to the development of new technologies and caused artificial intelligence to play a more effective role in the studies. Image segmentation has also taken its share from this development and has effectively benefited from the power of artificial intelligence in areas such as object detection, classification and segmentation. With the development of deep learning methods, the development of UNet image segmentation architecture has opened the door to the development of new techniques and architectures in image segmentation. In the study, the detection of Covid-19 disease, which was active all over the world in 2019, was studied. In the study, UNet and TNet image segmentation architectures were used and their performance was compared. The complex structure of the TNet architecture was simplified and rearranged as Simple TNet and it was observed that it showed more successful results than the UNet architecture. In the study, measurements were made with performance metrics such as Dice and Jaccard, and comparisons were evaluated based on different metric values and visuals. The study was applied on 829 patient data. The average performance values were 99.7% for TNet architecture and 99.1% for UNet architecture. Links to the data sets used in the study are as follows. https://www.kaggle.com/datasets/maedemaftouni/large-covid19-ct-slice-dataset https://www.kaggle.com/datasets/andrewmvd/covid19-ct-scans