Ana içeriğe atla

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
MEDİKAL GÖRÜNTÜ ANALİZİ-Bahar Dönemi3+036
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiLisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin KoordinatörüDr.Öğr.Üye. Cihan Bilge KAYASANDIK
Dersi VerenlerDr.Öğr.Üye. Cihan Bilge KAYASANDIK
Dersin Yardımcıları
Dersin AmacıDersin 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 İçeriğiBu ders; Ders giriş,Medikal Veri Toplama,Bilgisayar ile Görü ve Sinyal İşleme giriş,Veri önişleme,Filtreleme ve özel filtreler,Klasik yöntemler ile Görüntü Bölütleme,Öğrenci sunumlar,Makine öğrenme temelleri,Görüntü analizinde Mekine öğrenme metotları,Küçük data analizinde Validasyon teknikleri,Yapay sinir ağları, Autoencoders I,Yapay sinir ağları, Autoencoder II,Medikal Veri Analizinde Derin öğrenme uygulamaları,Medikal Veri Analizinde Derin öğrenme uygulamaları II; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
1. Medikal data analizinde sorunları ve eksiklikleri tanımlayabilmek ve mevcut problemler için çözüm rotaları oluşturabilme10, 14, 16, 18, 19, 2, 3, 9A, D, F
2. Görüntüden çıkarılacak özelliklere uygun filtreleri ve filtreleme yöntemlerini belirleyebilme ve uygulayabilme kabiliyeti.10, 14, 16, 18, 19, 2, 3, 9A, D, F
3. Medikal data analizinde gerekli bilgileri elde edebilmek adına matematiksel bir bakış açısı kullanabilmek ve bunu uygulamaya dökebilme10, 14, 16, 18, 19, 2, 3, 9A, D, F
4. Medikal data analizinde makine öğrenme ve yapay sinir ağlarından derin öğrenme yöntemlerini kullanabilme10, 14, 16, 18, 19, 2, 3, 9A, D, F
Öğretim Yöntemleri:10: Tartışma Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 18: Mikro Öğretim Tekniği , 19: Beyin Fırtınası Tekniği, 2: Proje Temelli Öğrenme Modeli, 3: Probleme Dayalı Öğrenme Modeli, 9: Anlatım Yöntemi
Ölçme Yöntemleri:A: Klasik Yazılı Sınav, D: Sözlü Sınav, F: Proje Görevi

Ders Akışı

SıraKonularÖn Hazırlık
1Ders girişDers slaytları, ödev olarak verilen makaleler
2Medikal Veri ToplamaDers slaytları, ödev olarak verilen makaleler
3Bilgisayar ile Görü ve Sinyal İşleme girişDers slaytları, ödev olarak verilen makaleler
4Veri önişlemeDers slaytları, ödev olarak verilen makaleler
5Filtreleme ve özel filtrelerDers slaytları, ödev olarak verilen makaleler
6Klasik yöntemler ile Görüntü BölütlemeDers slaytları, ödev olarak verilen makaleler
7Öğrenci sunumlarDers slaytları, ödev olarak verilen makaleler
8Makine öğrenme temelleriDers slaytları, ödev olarak verilen makaleler
9Görüntü analizinde Mekine öğrenme metotlarıDers slaytları, ödev olarak verilen makaleler
10Küçük data analizinde Validasyon teknikleriDers slaytları, ödev olarak verilen makaleler
11Yapay sinir ağları, Autoencoders IDers slaytları, ödev olarak verilen makaleler
12Yapay sinir ağları, Autoencoder IIDers slaytları, ödev olarak verilen makaleler
13Medikal Veri Analizinde Derin öğrenme uygulamalarıDers slaytları, ödev olarak verilen makaleler
14Medikal Veri Analizinde Derin öğrenme uygulamaları IIDers slaytları, ödev olarak verilen makaleler
Kaynak
1. Tıbbi Görüntülemenin Temelleri, Suetens, P., Cambridge University Press, 2. Görüntülere Bakış: Segmentasyon, Kayıt ve Görüntü Analizi İlkeleri ve Uygulaması, Yoo, Terry S., CRC Pressö 3. Duda, R.O., & Hart, P.E. (2006). Desen sınıflandırması. John Wiley ve Oğulları.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
1. Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi
2
2. Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi
X
3
3. Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi
4
4. Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi
X
5
5. Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi
X
6
6. Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi
X
7
7. Sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi
X
8
8. Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi
X
9
9. Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi
X
10
10. Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi
X
11
11. Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık

Değerlendirme Sistemi

Katkı DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 30
Genel Sınavın Başarıya Oranı 70
Toplam 100
AKTS / İşyükü Tablosu
EtkinlikSayıSüresi (Saat)Toplam İş Yükü (Saat)
Ders Saati14342
Rehberli Problem Çözme000
Problem Çözümü / Ödev / Proje / Rapor Tanzimi6212
Okul Dışı Diğer Faaliyetler428
Proje Sunumu / Seminer2612
Kısa Sınav (QUİZ) ve Hazırlığı000
Ara Sınav ve Hazırlığı8648
Genel Sınav ve Hazırlığı8864
Performans Görevi, Bakım Planı000
Toplam İş Yükü (Saat)186
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(186/30)6
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır.

Dersin Detaylı Bilgileri

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
MEDİKAL GÖRÜNTÜ ANALİZİ-Bahar Dönemi3+036
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiLisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin KoordinatörüDr.Öğr.Üye. Cihan Bilge KAYASANDIK
Dersi VerenlerDr.Öğr.Üye. Cihan Bilge KAYASANDIK
Dersin Yardımcıları
Dersin AmacıDersin 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 İçeriğiBu ders; Ders giriş,Medikal Veri Toplama,Bilgisayar ile Görü ve Sinyal İşleme giriş,Veri önişleme,Filtreleme ve özel filtreler,Klasik yöntemler ile Görüntü Bölütleme,Öğrenci sunumlar,Makine öğrenme temelleri,Görüntü analizinde Mekine öğrenme metotları,Küçük data analizinde Validasyon teknikleri,Yapay sinir ağları, Autoencoders I,Yapay sinir ağları, Autoencoder II,Medikal Veri Analizinde Derin öğrenme uygulamaları,Medikal Veri Analizinde Derin öğrenme uygulamaları II; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
1. Medikal data analizinde sorunları ve eksiklikleri tanımlayabilmek ve mevcut problemler için çözüm rotaları oluşturabilme10, 14, 16, 18, 19, 2, 3, 9A, D, F
2. Görüntüden çıkarılacak özelliklere uygun filtreleri ve filtreleme yöntemlerini belirleyebilme ve uygulayabilme kabiliyeti.10, 14, 16, 18, 19, 2, 3, 9A, D, F
3. Medikal data analizinde gerekli bilgileri elde edebilmek adına matematiksel bir bakış açısı kullanabilmek ve bunu uygulamaya dökebilme10, 14, 16, 18, 19, 2, 3, 9A, D, F
4. Medikal data analizinde makine öğrenme ve yapay sinir ağlarından derin öğrenme yöntemlerini kullanabilme10, 14, 16, 18, 19, 2, 3, 9A, D, F
Öğretim Yöntemleri:10: Tartışma Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 18: Mikro Öğretim Tekniği , 19: Beyin Fırtınası Tekniği, 2: Proje Temelli Öğrenme Modeli, 3: Probleme Dayalı Öğrenme Modeli, 9: Anlatım Yöntemi
Ölçme Yöntemleri:A: Klasik Yazılı Sınav, D: Sözlü Sınav, F: Proje Görevi

Ders Akışı

SıraKonularÖn Hazırlık
1Ders girişDers slaytları, ödev olarak verilen makaleler
2Medikal Veri ToplamaDers slaytları, ödev olarak verilen makaleler
3Bilgisayar ile Görü ve Sinyal İşleme girişDers slaytları, ödev olarak verilen makaleler
4Veri önişlemeDers slaytları, ödev olarak verilen makaleler
5Filtreleme ve özel filtrelerDers slaytları, ödev olarak verilen makaleler
6Klasik yöntemler ile Görüntü BölütlemeDers slaytları, ödev olarak verilen makaleler
7Öğrenci sunumlarDers slaytları, ödev olarak verilen makaleler
8Makine öğrenme temelleriDers slaytları, ödev olarak verilen makaleler
9Görüntü analizinde Mekine öğrenme metotlarıDers slaytları, ödev olarak verilen makaleler
10Küçük data analizinde Validasyon teknikleriDers slaytları, ödev olarak verilen makaleler
11Yapay sinir ağları, Autoencoders IDers slaytları, ödev olarak verilen makaleler
12Yapay sinir ağları, Autoencoder IIDers slaytları, ödev olarak verilen makaleler
13Medikal Veri Analizinde Derin öğrenme uygulamalarıDers slaytları, ödev olarak verilen makaleler
14Medikal Veri Analizinde Derin öğrenme uygulamaları IIDers slaytları, ödev olarak verilen makaleler
Kaynak
1. Tıbbi Görüntülemenin Temelleri, Suetens, P., Cambridge University Press, 2. Görüntülere Bakış: Segmentasyon, Kayıt ve Görüntü Analizi İlkeleri ve Uygulaması, Yoo, Terry S., CRC Pressö 3. Duda, R.O., & Hart, P.E. (2006). Desen sınıflandırması. John Wiley ve Oğulları.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
1. Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi
2
2. Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi
X
3
3. Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi
4
4. Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi
X
5
5. Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi
X
6
6. Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi
X
7
7. Sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi
X
8
8. Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi
X
9
9. Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi
X
10
10. Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi
X
11
11. Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık

Değerlendirme Sistemi

Katkı DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 30
Genel Sınavın Başarıya Oranı 70
Toplam 100

Sayısal Veriler

Öğrenci Başarı Durumu

Ekleme Tarihi: 06/07/2022 - 16:45Son Güncelleme Tarihi: 09/10/2023 - 10:50