Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
MEDİKAL GÖRÜNTÜ ANALİZİ | - | Bahar Dönemi | 3+0 | 3 | 6 |
Ders Programı |
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 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-Active Contour 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 |
Medikal data analizinde sorunları ve eksiklikleri tanımlayabilmek ve mevcut problemler için çözüm rotaları oluşturabilmek. | 10, 12, 13, 16, 18, 19, 2, 21, 3, 37, 4, 6, 9 | D, F |
bir görüntüden çıkarılacak özelliklere uygun filtreleri ve filtreleme yöntemlerini belirleyebilme ve uygulayabilme kabiliyeti. | 10, 12, 13, 16, 18, 19, 21, 3, 37, 4, 6, 9 | D, F |
medikal data analizinde gerekli bilgileri elde edebilmek adına matematiksel bir bakış açısı kullanabilmek ve bunu uygulamaya dökebilmek | 10, 13, 14, 16, 18, 19, 21, 3, 37, 4, 6, 9 | D, F |
medikal data analizinde makine öğrenme ve yapay sinir ağlarından derin öğrenme yöntemlerini kullanabilmek | 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-Active Contour Methods | |
8 | Medical Image Segmentation-Level Set MEthods | |
9 | Medical Image Analysis | |
10 | Machine learning and Deep Learning applications in medical image analysis | |
11 | Machine learning and Deep Learning applications in medical image analysis | |
12 | Machine learning and Deep Learning applications in medical image analysis |
Kaynak |
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. | ||||||
5 | Mühendislik ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilir. | X | |||||
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. |
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 | 1 | 3 | 3 | |||
Rehberli Problem Çözme | 0 | 0 | 0 | |||
Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 5 | 1 | 5 | |||
Okul Dışı Diğer Faaliyetler | 2 | 2 | 4 | |||
Proje Sunumu / Seminer | 2 | 3 | 6 | |||
Kısa Sınav (QUİZ) ve Hazırlığı | 1 | 3 | 3 | |||
Ara Sınav ve Hazırlığı | 1 | 4 | 4 | |||
Genel Sınav ve Hazırlığı | 1 | 5 | 5 | |||
Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
Toplam İş Yükü (Saat) | 30 | |||||
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(30/30) | 1 | |||||
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. |
Dersin Detaylı Bilgileri
Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
MEDİKAL GÖRÜNTÜ ANALİZİ | - | Bahar Dönemi | 3+0 | 3 | 6 |
Ders Programı |
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 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-Active Contour 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 |
Medikal data analizinde sorunları ve eksiklikleri tanımlayabilmek ve mevcut problemler için çözüm rotaları oluşturabilmek. | 10, 12, 13, 16, 18, 19, 2, 21, 3, 37, 4, 6, 9 | D, F |
bir görüntüden çıkarılacak özelliklere uygun filtreleri ve filtreleme yöntemlerini belirleyebilme ve uygulayabilme kabiliyeti. | 10, 12, 13, 16, 18, 19, 21, 3, 37, 4, 6, 9 | D, F |
medikal data analizinde gerekli bilgileri elde edebilmek adına matematiksel bir bakış açısı kullanabilmek ve bunu uygulamaya dökebilmek | 10, 13, 14, 16, 18, 19, 21, 3, 37, 4, 6, 9 | D, F |
medikal data analizinde makine öğrenme ve yapay sinir ağlarından derin öğrenme yöntemlerini kullanabilmek | 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-Active Contour Methods | |
8 | Medical Image Segmentation-Level Set MEthods | |
9 | Medical Image Analysis | |
10 | Machine learning and Deep Learning applications in medical image analysis | |
11 | Machine learning and Deep Learning applications in medical image analysis | |
12 | Machine learning and Deep Learning applications in medical image analysis |
Kaynak |
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. | ||||||
5 | Mühendislik ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilir. | X | |||||
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. |
Değerlendirme Sistemi
Katkı Düzeyi | Mutlak Değerlendirme | |
Ara Sınavın Başarıya Oranı | 50 | |
Genel Sınavın Başarıya Oranı | 50 | |
Toplam | 100 |