Ders Detayı
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 | 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; 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 Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
1. Medikal data analizinde sorunları ve eksiklikleri tanımlayabilmek ve mevcut problemler için çözüm rotaları oluşturabilme | 10, 14, 16, 18, 19, 2, 3, 9 | A, D, F |
2. Görüntüden çıkarılacak özelliklere uygun filtreleri ve filtreleme yöntemlerini belirleyebilme ve uygulayabilme kabiliyeti. | 10, 14, 16, 18, 19, 2, 3, 9 | A, D, F |
3. Medikal data analizinde gerekli bilgileri elde edebilmek adına matematiksel bir bakış açısı kullanabilmek ve bunu uygulamaya dökebilme | 10, 14, 16, 18, 19, 2, 3, 9 | A, D, F |
4. Medikal data analizinde makine öğrenme ve yapay sinir ağlarından derin öğrenme yöntemlerini kullanabilme | 10, 14, 16, 18, 19, 2, 3, 9 | A, 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
Sıra | Konular | Ön Hazırlık |
---|---|---|
1 | Ders giriş | Ders slaytları, ödev olarak verilen makaleler |
2 | Medikal Veri Toplama | Ders slaytları, ödev olarak verilen makaleler |
3 | Bilgisayar ile Görü ve Sinyal İşleme giriş | Ders slaytları, ödev olarak verilen makaleler |
4 | Veri önişleme | Ders slaytları, ödev olarak verilen makaleler |
5 | Filtreleme ve özel filtreler | Ders slaytları, ödev olarak verilen makaleler |
6 | Klasik yöntemler ile Görüntü Bölütleme | Ders slaytları, ödev olarak verilen makaleler |
7 | Öğrenci sunumlar | Ders slaytları, ödev olarak verilen makaleler |
8 | Makine öğrenme temelleri | Ders slaytları, ödev olarak verilen makaleler |
9 | Görüntü analizinde Mekine öğrenme metotları | Ders slaytları, ödev olarak verilen makaleler |
10 | Küçük data analizinde Validasyon teknikleri | Ders slaytları, ödev olarak verilen makaleler |
11 | Yapay sinir ağları, Autoencoders I | Ders slaytları, ödev olarak verilen makaleler |
12 | Yapay sinir ağları, Autoencoder II | Ders slaytları, ödev olarak verilen makaleler |
13 | Medikal Veri Analizinde Derin öğrenme uygulamaları | Ders slaytları, ödev olarak verilen makaleler |
14 | Medikal Veri Analizinde Derin öğrenme uygulamaları II | Ders 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 | |||||||
No | Program Yeterliliği | Katkı Düzeyi | |||||
1 | 2 | 3 | 4 | 5 | |||
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 | Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi | X | |||||
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 | X | |||||
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 | Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi | X | |||||
6 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi | ||||||
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 | ||||||
8 | Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi | ||||||
9 | Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi | ||||||
10 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi | ||||||
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 Düzeyi | Mutlak Değerlendirme | |
Ara Sınavın Başarıya Oranı | 30 | |
Genel Sınavın Başarıya Oranı | 70 | |
Toplam | 100 |
AKTS / İşyükü Tablosu | ||||||
Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
Ders Saati | 14 | 3 | 42 | |||
Rehberli Problem Çözme | 0 | 0 | 0 | |||
Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 6 | 2 | 12 | |||
Okul Dışı Diğer Faaliyetler | 4 | 2 | 8 | |||
Proje Sunumu / Seminer | 2 | 6 | 12 | |||
Kısa Sınav (QUİZ) ve Hazırlığı | 0 | 0 | 0 | |||
Ara Sınav ve Hazırlığı | 8 | 6 | 48 | |||
Genel Sınav ve Hazırlığı | 8 | 8 | 64 | |||
Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
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
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 | 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; 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 Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
1. Medikal data analizinde sorunları ve eksiklikleri tanımlayabilmek ve mevcut problemler için çözüm rotaları oluşturabilme | 10, 14, 16, 18, 19, 2, 3, 9 | A, D, F |
2. Görüntüden çıkarılacak özelliklere uygun filtreleri ve filtreleme yöntemlerini belirleyebilme ve uygulayabilme kabiliyeti. | 10, 14, 16, 18, 19, 2, 3, 9 | A, D, F |
3. Medikal data analizinde gerekli bilgileri elde edebilmek adına matematiksel bir bakış açısı kullanabilmek ve bunu uygulamaya dökebilme | 10, 14, 16, 18, 19, 2, 3, 9 | A, D, F |
4. Medikal data analizinde makine öğrenme ve yapay sinir ağlarından derin öğrenme yöntemlerini kullanabilme | 10, 14, 16, 18, 19, 2, 3, 9 | A, 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
Sıra | Konular | Ön Hazırlık |
---|---|---|
1 | Ders giriş | Ders slaytları, ödev olarak verilen makaleler |
2 | Medikal Veri Toplama | Ders slaytları, ödev olarak verilen makaleler |
3 | Bilgisayar ile Görü ve Sinyal İşleme giriş | Ders slaytları, ödev olarak verilen makaleler |
4 | Veri önişleme | Ders slaytları, ödev olarak verilen makaleler |
5 | Filtreleme ve özel filtreler | Ders slaytları, ödev olarak verilen makaleler |
6 | Klasik yöntemler ile Görüntü Bölütleme | Ders slaytları, ödev olarak verilen makaleler |
7 | Öğrenci sunumlar | Ders slaytları, ödev olarak verilen makaleler |
8 | Makine öğrenme temelleri | Ders slaytları, ödev olarak verilen makaleler |
9 | Görüntü analizinde Mekine öğrenme metotları | Ders slaytları, ödev olarak verilen makaleler |
10 | Küçük data analizinde Validasyon teknikleri | Ders slaytları, ödev olarak verilen makaleler |
11 | Yapay sinir ağları, Autoencoders I | Ders slaytları, ödev olarak verilen makaleler |
12 | Yapay sinir ağları, Autoencoder II | Ders slaytları, ödev olarak verilen makaleler |
13 | Medikal Veri Analizinde Derin öğrenme uygulamaları | Ders slaytları, ödev olarak verilen makaleler |
14 | Medikal Veri Analizinde Derin öğrenme uygulamaları II | Ders 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 | |||||||
No | Program Yeterliliği | Katkı Düzeyi | |||||
1 | 2 | 3 | 4 | 5 | |||
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 | Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi | X | |||||
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 | X | |||||
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 | Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi | X | |||||
6 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi | ||||||
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 | ||||||
8 | Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi | ||||||
9 | Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi | ||||||
10 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi | ||||||
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 Düzeyi | Mutlak Değerlendirme | |
Ara Sınavın Başarıya Oranı | 30 | |
Genel Sınavın Başarıya Oranı | 70 | |
Toplam | 100 |