Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| MEDİKAL VERİ ANALİZİ | BEBY1214978 | Bahar Dönemi | 3+0 | 3 | 8 |
| Ders Programı | Çarşamba 10:00-10:45 Çarşamba 11:00-11:45 Çarşamba 12:00-12:45 Çarşamba 12:45-13:30 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üye. Cihan Bilge KAYASANDIK |
| Dersi Verenler | Dr.Öğr.Üye. Cihan Bilge KAYASANDIK |
| Dersin Yardımcıları | |
| Dersin Amacı | Dersin amacı tıp bilimlerindeki sorunların nasıl tespit edileceğini ve bunlara nasıl yaklaşılacağını göstermektir. Tıbbi görüntülerden bilgi çıkarmak için matematiksel teknikleri tanıtacağız. Tıbbi görüntülerin farklı amaçlara göre nasıl analiz edileceğini ve hastalıkların teşhisine nasıl yardımcı olacağımızı göstereceğiz. Tıbbi görüntü analizi tıp, bilgisayar bilimi, matematik, biyoloji, istatistik, olasılık, psikoloji ve diğer alanları içeren oldukça disiplinlerarası bir alandır. Kurs, tıbbi görüntü edinimiyle ilgili konuları içerir: Xray CT, Ultrason, MRI ve fMRI'nin temelleri; görüntü ön işleme: görüntü gürültüsünü giderme, görüntü filtreleme ve temel filtre tasarımı, görüntü iyileştirme, özellik çıkarma; görüntü bölütleme: yerel ve uyarlanabilir eşikleme, aktif kontur ve seviye belirleme yöntemleri, kenar tespiti, temel doku analizi; görüntü kaydı, takibi; Tıbbi görüntülerde özellik çıkarma ve segmentasyon amacıyla makine öğrenmesi ve derin öğrenme. Bu ders uygulamaya yönelik olacaktır. Ödevler literatür taramasına, makale sunumuna ve bilgisayar uygulamalarına dayalı olacaktır. |
| Dersin İçeriği | Bu ders; Course Info, Introduction to Digital Images,Medical Image Acquisition,Medical Image Preprocessing,Medical Image Preprocessing,Medical Image Preprocessing,Medical Image Segmentation,Medical Image Segmentation,Medical Image Segmentation-Active Contour Methods,Medical Image Segmentation-Level Set MEthods,Medical Image Segmentation-Level Set MEthods,Medical Image Analysis,Machine learning and Deep Learning applications in medical image analysis,Machine learning and Deep Learning applications in medical image analysis,Machine learning and Deep Learning applications in medical image analysis; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Tıbbi görüntü analizindeki sorunların belirlenmesi ve belirlenen sorunlara yönelik olası çözüm çerçevelerinin belirlenmesi | 10, 12, 13, 16, 18, 19, 2, 21, 3, 37, 4, 6, 9 | D, F |
| 2. Görüntülerden belirli özellikleri çıkarmak için doğru filtreyi ve bunları uygulayacak algoritmayı belirleme | 10, 12, 13, 16, 18, 19, 21, 3, 37, 4, 6, 9 | D, F |
| 3. Medikal data analizinde gerekli bilgileri elde edebilmek adına matematiksel bir bakış açısı kullanabilme | 10, 13, 14, 16, 18, 19, 21, 3, 37, 4, 6, 9 | D, F |
| 4. Medikal data analizinde makine öğrenme ve yapay sinir ağlarından derin öğrenme yöntemlerini kullanabilme | 10, 12, 13, 16, 18, 19, 2, 21, 3, 37, 9 | D, F |
| Öğretim Yöntemleri: | 10: Tartışma Yöntemi, 12: Problem Çözme Yöntemi, 13: Örnek Olay Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 18: Mikro Öğretim Tekniği , 19: Beyin Fırtınası Tekniği, 2: Proje Temelli Öğrenme Modeli, 21: Benzetim/Simülasyon Tekniği, 3: Probleme Dayalı Öğrenme Modeli, 37: Bilgisayar Ve İnternet Destekli Öğretim, 4: Sorgulama Temelli Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi |
| Ölçme Yöntemleri: | D: Sözlü Sınav, F: Proje Görevi |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Course Info, Introduction to Digital Images | |
| 2 | Medical Image Acquisition | |
| 3 | Medical Image Preprocessing | |
| 4 | Medical Image Preprocessing | |
| 5 | Medical Image Preprocessing | |
| 6 | Medical Image Segmentation | |
| 7 | Medical Image Segmentation | |
| 8 | Medical Image Segmentation-Active Contour Methods | |
| 9 | Medical Image Segmentation-Level Set MEthods | |
| 10 | Medical Image Segmentation-Level Set MEthods | |
| 11 | Medical Image Analysis | |
| 12 | Machine learning and Deep Learning applications in medical image analysis | |
| 13 | Machine learning and Deep Learning applications in medical image analysis | |
| 14 | Machine learning and Deep Learning applications in medical image analysis |
| Kaynak |
| 1. Fundamentals of Medical Textbook Imaging, Suetens, P., Cambridge University Press, 2. Insight into Images: Principles and Practice for Segmentation, Registration and Image Analysis, Yoo, Terry S., CRC Press |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Mühendislik alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir, yorumlar ve uygular. | X | |||||
| 2 | Mühendislikte uygulanan güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgi sahibidir ve mühendisliğin ilişki kurduğu disiplinler arası etkileşimi kavrayabilir. | X | |||||
| 3 | Analitik, modelleme ve deneysel esaslı araştırmaları tasarlar ve uygular; bu süreçte karşılaşılan karmaşık durumları yorumlar, yeni ve özgün fikirler geliştirerek çözümler. | X | |||||
| 4 | Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bütünleştirir. | X | |||||
| 5 | Mühendislik ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilir. | ||||||
| 6 | Çok disiplinli takımlarda liderlik yapar, çözüm yaklaşımları geliştirir ve sorumluluk alır. | ||||||
| 7 | Mesleğinin yeni ve gelişmekte olan uygulamalarının farkındadır; gerektiğinde bunları inceler ve öğrenir. | X | |||||
| 8 | Bilimsel bilgi birikimini yazılı ve sözlü olarak etkin bir şekilde ifade eder, en az bir yabancı dilde Avrupa Dil Portföyü B2 Genel Düzeyinde iletişim kurar ve iletişim teknolojilerini ileri düzeyde kullanır. | X | |||||
| 9 | Mühendislik uygulamalarının sosyal ve çevresel boyutlarını betimler. | ||||||
| 10 | Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |
| AKTS / İşyükü Tablosu | ||||||
| Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
| Ders Saati | 0 | 0 | 0 | |||
| Rehberli Problem Çözme | 0 | 0 | 0 | |||
| Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 0 | 0 | 0 | |||
| Okul Dışı Diğer Faaliyetler | 0 | 0 | 0 | |||
| Proje Sunumu / Seminer | 0 | 0 | 0 | |||
| Kısa Sınav (QUİZ) ve Hazırlığı | 0 | 0 | 0 | |||
| Ara Sınav ve Hazırlığı | 0 | 0 | 0 | |||
| Genel Sınav ve Hazırlığı | 0 | 0 | 0 | |||
| Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
| Toplam İş Yükü (Saat) | 0 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(0/30) | 0 | |||||
| Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. | ||||||
Dersin Detaylı Bilgileri
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| MEDİKAL VERİ ANALİZİ | BEBY1214978 | Bahar Dönemi | 3+0 | 3 | 8 |
| Ders Programı | Çarşamba 10:00-10:45 Çarşamba 11:00-11:45 Çarşamba 12:00-12:45 Çarşamba 12:45-13:30 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üye. Cihan Bilge KAYASANDIK |
| Dersi Verenler | Dr.Öğr.Üye. Cihan Bilge KAYASANDIK |
| Dersin Yardımcıları | |
| Dersin Amacı | Dersin amacı tıp bilimlerindeki sorunların nasıl tespit edileceğini ve bunlara nasıl yaklaşılacağını göstermektir. Tıbbi görüntülerden bilgi çıkarmak için matematiksel teknikleri tanıtacağız. Tıbbi görüntülerin farklı amaçlara göre nasıl analiz edileceğini ve hastalıkların teşhisine nasıl yardımcı olacağımızı göstereceğiz. Tıbbi görüntü analizi tıp, bilgisayar bilimi, matematik, biyoloji, istatistik, olasılık, psikoloji ve diğer alanları içeren oldukça disiplinlerarası bir alandır. Kurs, tıbbi görüntü edinimiyle ilgili konuları içerir: Xray CT, Ultrason, MRI ve fMRI'nin temelleri; görüntü ön işleme: görüntü gürültüsünü giderme, görüntü filtreleme ve temel filtre tasarımı, görüntü iyileştirme, özellik çıkarma; görüntü bölütleme: yerel ve uyarlanabilir eşikleme, aktif kontur ve seviye belirleme yöntemleri, kenar tespiti, temel doku analizi; görüntü kaydı, takibi; Tıbbi görüntülerde özellik çıkarma ve segmentasyon amacıyla makine öğrenmesi ve derin öğrenme. Bu ders uygulamaya yönelik olacaktır. Ödevler literatür taramasına, makale sunumuna ve bilgisayar uygulamalarına dayalı olacaktır. |
| Dersin İçeriği | Bu ders; Course Info, Introduction to Digital Images,Medical Image Acquisition,Medical Image Preprocessing,Medical Image Preprocessing,Medical Image Preprocessing,Medical Image Segmentation,Medical Image Segmentation,Medical Image Segmentation-Active Contour Methods,Medical Image Segmentation-Level Set MEthods,Medical Image Segmentation-Level Set MEthods,Medical Image Analysis,Machine learning and Deep Learning applications in medical image analysis,Machine learning and Deep Learning applications in medical image analysis,Machine learning and Deep Learning applications in medical image analysis; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Tıbbi görüntü analizindeki sorunların belirlenmesi ve belirlenen sorunlara yönelik olası çözüm çerçevelerinin belirlenmesi | 10, 12, 13, 16, 18, 19, 2, 21, 3, 37, 4, 6, 9 | D, F |
| 2. Görüntülerden belirli özellikleri çıkarmak için doğru filtreyi ve bunları uygulayacak algoritmayı belirleme | 10, 12, 13, 16, 18, 19, 21, 3, 37, 4, 6, 9 | D, F |
| 3. Medikal data analizinde gerekli bilgileri elde edebilmek adına matematiksel bir bakış açısı kullanabilme | 10, 13, 14, 16, 18, 19, 21, 3, 37, 4, 6, 9 | D, F |
| 4. Medikal data analizinde makine öğrenme ve yapay sinir ağlarından derin öğrenme yöntemlerini kullanabilme | 10, 12, 13, 16, 18, 19, 2, 21, 3, 37, 9 | D, F |
| Öğretim Yöntemleri: | 10: Tartışma Yöntemi, 12: Problem Çözme Yöntemi, 13: Örnek Olay Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 18: Mikro Öğretim Tekniği , 19: Beyin Fırtınası Tekniği, 2: Proje Temelli Öğrenme Modeli, 21: Benzetim/Simülasyon Tekniği, 3: Probleme Dayalı Öğrenme Modeli, 37: Bilgisayar Ve İnternet Destekli Öğretim, 4: Sorgulama Temelli Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi |
| Ölçme Yöntemleri: | D: Sözlü Sınav, F: Proje Görevi |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Course Info, Introduction to Digital Images | |
| 2 | Medical Image Acquisition | |
| 3 | Medical Image Preprocessing | |
| 4 | Medical Image Preprocessing | |
| 5 | Medical Image Preprocessing | |
| 6 | Medical Image Segmentation | |
| 7 | Medical Image Segmentation | |
| 8 | Medical Image Segmentation-Active Contour Methods | |
| 9 | Medical Image Segmentation-Level Set MEthods | |
| 10 | Medical Image Segmentation-Level Set MEthods | |
| 11 | Medical Image Analysis | |
| 12 | Machine learning and Deep Learning applications in medical image analysis | |
| 13 | Machine learning and Deep Learning applications in medical image analysis | |
| 14 | Machine learning and Deep Learning applications in medical image analysis |
| Kaynak |
| 1. Fundamentals of Medical Textbook Imaging, Suetens, P., Cambridge University Press, 2. Insight into Images: Principles and Practice for Segmentation, Registration and Image Analysis, Yoo, Terry S., CRC Press |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Mühendislik alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir, yorumlar ve uygular. | X | |||||
| 2 | Mühendislikte uygulanan güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgi sahibidir ve mühendisliğin ilişki kurduğu disiplinler arası etkileşimi kavrayabilir. | X | |||||
| 3 | Analitik, modelleme ve deneysel esaslı araştırmaları tasarlar ve uygular; bu süreçte karşılaşılan karmaşık durumları yorumlar, yeni ve özgün fikirler geliştirerek çözümler. | X | |||||
| 4 | Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bütünleştirir. | X | |||||
| 5 | Mühendislik ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilir. | ||||||
| 6 | Çok disiplinli takımlarda liderlik yapar, çözüm yaklaşımları geliştirir ve sorumluluk alır. | ||||||
| 7 | Mesleğinin yeni ve gelişmekte olan uygulamalarının farkındadır; gerektiğinde bunları inceler ve öğrenir. | X | |||||
| 8 | Bilimsel bilgi birikimini yazılı ve sözlü olarak etkin bir şekilde ifade eder, en az bir yabancı dilde Avrupa Dil Portföyü B2 Genel Düzeyinde iletişim kurar ve iletişim teknolojilerini ileri düzeyde kullanır. | X | |||||
| 9 | Mühendislik uygulamalarının sosyal ve çevresel boyutlarını betimler. | ||||||
| 10 | Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |