Tıbbi Görüntü İşlemede Derin Öğrenme: Teori, Mimariler ve Uygulamalar
Open Access
- 25 September 2025
- book chapter
- Published by Academician Publishing
- p. 23-52
Abstract
Bu bölüm, tıbbi görüntüleme (MR, BT, X-ışını) verilerinin teşhis ve tedavi planlamasındaki kritik rolünü ve bu büyük veri hacmini yorumlamada Derin Öğrenme (DL) yöntemlerinin gerekliliğini incelemektedir. DL'nin, geleneksel Makine Öğreniminden farklı olarak, öznitelik çıkarma ve sınıflandırmayı tek bir süreçte birleştirme yeteneği vurgulanmaktadır. Bölüm, DL'nin temel yapı taşları olan Evrişim, Havuzlama ve Aktivasyon katmanları ile başlıca mimarilerini (özellikle tıbbi segmentasyonda kullanılan U-Net gibi) detaylandırır. Ayrıca, tıbbi görüntülemede veri yetersizliği sorununu çözmek için Transfer Öğrenme stratejisinin önemi ve büyük ölçekli önceden eğitilmiş modellerin (AlexNet, ResNet) bu alana nasıl adapte edileceği de açıklanmıştır. Genel olarak bölüm, tıbbi görüntüleme analizinde DL'nin teorik temelini, mimarilerini ve uygulama yaklaşımlarını kapsamlı bir şekilde sunmaktadır.Keywords
This publication has 29 references indexed in Scilit:
- Relationships between fault friction, slip time, and physical parameters explored by experiment-based friction model: A machine learning approach using recurrent neural networks (RNNs)Applied Computing and Geosciences, 2025
- A review of convolutional neural network based methods for medical image classificationComputers in Biology and Medicine, 2024
- AAMR-FCN myeloma cancer net: Adaptive and attention-based mask R-FCN for diagnosing myeloma cancer using cell microscopic images with hybrid heuristic strategyBiomedical Signal Processing and Control, 2024
- Abc-based weighted voting deep ensemble learning model for multiple eye disease detectionBiomedical Signal Processing and Control, 2024
- HmsU-Net: A hybrid multi-scale U-net based on a CNN and transformer for medical image segmentationComputers in Biology and Medicine, 2024
- Automated detection and classification of leukemia on a subject-independent test dataset using deep transfer learning supported by Grad-CAM visualizationBiomedical Signal Processing and Control, 2023
- Computer-aided diagnosis for breast cancer classification using deep neural networks and transfer learningComputer Methods and Programs in Biomedicine, 2022
- Transfer learning using a multi-scale and multi-network ensemble for skin lesion classificationComputer Methods and Programs in Biomedicine, 2020
- Introduction to machine and deep learning for medical physicistsMedical Physics, 2020
- The current status of imaging diagnosis of hepatocellular carcinomaLiver Transplantation, 2004