Medikal Veri Analizi

AMAÇ

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.

İÇERİK

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.

1. 1

   1. identify problems in the medical image analysis and possible solution frameworks for the determined problems

   Öğretim yöntemi: Tartışma Yöntemi, Problem Çözme Yöntemi, Örnek Olay Yöntemi, Soru - Cevap Tekniği, Mikro Öğretim Tekniği, Beyin Fırtınası Tekniği, Proje Temelli Öğrenme Modeli, Benzetim/Simülasyon Tekniği, Probleme Dayalı Öğrenme Modeli, Bilgisayar Ve İnternet Destekli Öğretim, Sorgulama Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli, Anlatım Yöntemi · Değerlendirme: Sözlü Sınav, Proje Görevi

2. 2

   2. Determine the correct filter for extracting certain features from the images and algorithm to apply them

   Öğretim yöntemi: Tartışma Yöntemi, Problem Çözme Yöntemi, Örnek Olay Yöntemi, Soru - Cevap Tekniği, Mikro Öğretim Tekniği, Beyin Fırtınası Tekniği, Benzetim/Simülasyon Tekniği, Probleme Dayalı Öğrenme Modeli, Bilgisayar Ve İnternet Destekli Öğretim, Sorgulama Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli, Anlatım Yöntemi · Değerlendirme: Sözlü Sınav, Proje Görevi

3. 3

   3. use of mathematical tools to design tools for certain purposes of medical data analysis

   Öğretim yöntemi: Tartışma Yöntemi, Örnek Olay Yöntemi, Bireysel Çalışma Yöntemi, Soru - Cevap Tekniği, Mikro Öğretim Tekniği, Beyin Fırtınası Tekniği, Benzetim/Simülasyon Tekniği, Probleme Dayalı Öğrenme Modeli, Bilgisayar Ve İnternet Destekli Öğretim, Sorgulama Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli, Anlatım Yöntemi · Değerlendirme: Sözlü Sınav, Proje Görevi

4. 4

   4. use machine learning and deep learning methods for classification of medical data.

   Öğretim yöntemi: Tartışma Yöntemi, Problem Çözme Yöntemi, Örnek Olay Yöntemi, Soru - Cevap Tekniği, Mikro Öğretim Tekniği, Beyin Fırtınası Tekniği, Proje Temelli Öğrenme Modeli, Benzetim/Simülasyon Tekniği, Probleme Dayalı Öğrenme Modeli, Bilgisayar Ve İnternet Destekli Öğretim, Anlatım Yöntemi · Değerlendirme: Sözlü Sınav, Proje Görevi

HAFTALIK PLAN

1. HAFTA 1

   Course Info, Introduction to Digital Images

2. HAFTA 2

   Medical Image Acquisition

3. HAFTA 3

   Medical Image Preprocessing

4. HAFTA 4

   Medical Image Preprocessing

5. HAFTA 5

   Medical Image Preprocessing

6. HAFTA 6

   Medical Image Segmentation

7. HAFTA 7

   Medical Image Segmentation

8. HAFTA 8

   Medical Image Segmentation-Active Contour Methods

9. HAFTA 9

   Medical Image Segmentation-Level Set MEthods

10. HAFTA 10

    Medical Image Segmentation-Level Set MEthods

11. HAFTA 11

    Medical Image Analysis

12. HAFTA 12

    Machine learning and Deep Learning applications in medical image analysis

13. HAFTA 13

    Machine learning and Deep Learning applications in medical image analysis

14. HAFTA 14

    Machine learning and Deep Learning applications in medical image analysis

DEĞERLENDİRME

• Ara Sınavın Başarıya Oranı50%
• Genel Sınavın Başarıya Oranı50%

KAYNAKLAR

• 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

ÖĞRETİM ELEMANLARI

• Assist.Prof. Cihan Bilge GÜRBÜZKOORDİNATÖR
• Assist.Prof. Cihan Bilge GÜRBÜZ