Akademik Arşiv Sistemine Hoş Geldiniz
Ankara Ünivrsitesi Akademik Arşiv Sistemi:
- Üniversitemiz Akademik ve Kültürel Mirasını toplama, saklama ve geniş kitlere duyurmak amacını taşır
- Üniversitemiz akademik çıktılarını uluslararası standartlarda dijital ortamda depolar
- Etkisini artırmak için telif haklarına uygun şekilde Açık Erişime sunar
Ayrıca Üniversitemiz Önlisans, Lisans ve Yüksek Lisans ders notlarına Açık Ders Malzemeleri sistemi üzerinden erişebilirsiniz.
Akademik Arşiv Sistemi birçok farklı bölümden oluşur:
- Dergiler = Bu kategoride Ünivrsitemizde yayınlanan dergilere ulaşabilirsiniz
- Kitaplar= Üniversitemizde yayınlanan kitapları bu kategoride bulabilirsiniz.
- Gazeteler= Geçmişten günümüze bazı gazetelerin, bazı sayıları sizi tarihte bir yolculuğa çıkarıcak.
- Tezler= Yüksek Lisans, Doktora ve Uzmanlık Tezleri bu kategori altında yer almaktadır.
Recent Submissions
Item type:Item, Açık kaynak veri seti ile eğitilen yapay zeka modellerinin klinik ortamdaki performans analizi(Ankara Üniversitesi Tıp Fakültesi, 2022) Terzi, Ramazan; Demirezen, Mustafa UmutAmaç: Derin öğrenmeye dayalı tümör tespiti ve bölütleme yöntemleri uzun süreden beri geliştirilmekte olup, günümüzde ise literatürde yaygın olarak yer almaktadır. Geliştirilen yapay zekaya tabanlı derin öğrenme yöntemleri genellikle evrişimsel sinir ağlarına dayanan mimariler kullanırken, günümüzde ise görsel transformatör mimarilerine dayalı metotlar yaygın olarak geliştirilmektedir. Bu çalışmada, bahsedilen bu iki derin öğrenme yaklaşımının literatürde sıklıkla kullanılan veri seti üzerinde eğitilmiş ve hastane ortamından elde edilen gerçek klinik veriler üzerinde test edilmiştir. Böylece açık veri setleri üzerinde eğitilen modellerin gerçek klinik ortamlarda 5 farklı lezyon türü üzerinde kullanım verimliliklerinin ve genelleştirme kabiliyetlerinin ölçülmesi amaçlanmıştır. Gereç ve Yöntem: Açık veri seti olarak BraTS 2020 kullanılarak, ESA ve GT yapılarını içeren 8 adet derin öğrenme modeli eğitilmiştir. Eğitilen modeller Ankara Üniversitesi Tıp Fakültesi Radyoloji Bölümü doktorları tarafından hazırlanan ve etiketlenen MR görüntüleri kullanılarak test edilmiş ve derin öğrenme modellerinin performansı IoU ve Dice katsayısı metrikleri kullanılarak raporlanmıştır. Bulgular: Lezyon türlerine göre yapılan analizler değerlendirildiğinde, BraTS 2020 veri setinde eğitilen modeller, Ankara Üniversitesi’ne ait veriler üzerinde test edildiğinde: HGG lezyonuna ait, NCR/NET, Edema ve Enhancing Tumor etiketleri için sırasıyla yaklaşık olarak ortalama -%17, -%4 ve -%9 performans ödünleşimi, LGG lezyonuna ait, NCR/NET ve Enhancing Tumor etiketleri için sırasıyla yaklaşık olarak ortalama -%45, -%30 performans ödünleşimi, Kavernom lezyonuna ait, Edema etiketi için yaklaşık olarak ortalama -%60 performans ödünleşimi, Menenjiom lezyonuna ait, Edema ve Enhancing Tumor etiketleri için sırasıyla yaklaşık olarak ortalama -%36, ve -%33 performans ödünleşimi, Schwannom lezyonuna ait, Edema ve Enhancing Tumor etiketleri için sırasıyla yaklaşık olarak ortalama -%61, ve +%2 performans ödünleşimi raporlanmıştır. Sonuç: Bulgular ışığında, sadece açık kaynak veri seti ile eğitilen derin öğrenme modellerinin klinik ortamda genelleştirme kabiliyetinin sınırlı olduğu, lezyon türüne göre çeşitlilik gösterdiği, açık kaynak veri seti ile benzer veri setlerde daha başarılı sonuçlar verdiği sözlemlenmiştir. model performansının iyileştirilmesi için açık verisetleri üzerinde geliştirilen modellerin klinik ortamda kullanılması için öğrenme aktarımı (transfer learning) çalışmaların yapılması gerektiği görülmüştür. Objectives: Deep learning-based tumor detection and segmentation methods have been developed for a long time and are now widely used in the literature. While the earlier deep learning methods generally use architectures based on convolutional neural networks, more novel methods based on visual transformer architectures have several advanced capabilities and are widely used today. In this study, these two deep learning approaches were trained on the data set frequently used in the literature and tested on real clinical data obtained from the hospital environment. Thus, it is aimed to measure the usage efficiencies and generalization capabilities of the models trained on open datasets on 5 different lesion types in real clinical settings. Materials and Methods: Using BraTS 2020 as an open dataset, eight deep-learning architectures based on Convolutional Neural Networks and Visual Transformers were trained. The trained models were reported using MR images prepared and labeled by the doctors of Ankara University Faculty of Medicine, Department of Radiology and the performance of the deep learning models was reported using the IoU and Dice coefficient metrics. Results: In the light of the analyzes grouped by lesion types, when the models trained in the BraTS 2020 dataset were tested on the dataset of Ankara University: approximately 17%, 4%, and 9% performance decreases were observed for HGG lesion, NCR/NET, Edema and Enhancing Tumor labels, respectively. As for the LGG tumors, approximately 45%, and 30% performance drop for NCR/NET and Enhancing Tumor labels were discovered, respectively. For Cavernoma tumors, approximately a 60% performance decrease for Edema labels. For Meningioma tumors, An average of approximately 36% and 33% performance decline were reported for the Edema and Enhancing Tumor labels, respectively, and finally, approximately 61% and 2% performance diminish for the Schwannoma lesion for Edema and Enhancing Tumor labels were shown, respectively. Conclusion: In light of the findings, it has been observed that the generalization ability of deep learning models trained only with the open source dataset is quite limited in the clinical setting, varies according to the lesion type, and gives more successful results in the open dataset and similar datasets. In order to improve the model performance, it has been seen that transfer learning studies should be carried out in order to use the models developed on open datasets in the clinical environment.Item type:Item, Yapay zeka ve anestezi(Ankara Üniversitesi Tıp Fakültesi, 2022) Güçlü, Çiğdem YıldırımYapay zeka makinelere problem çözme, nesne ve kelime tanıma, dünya durumlarının çıkarımı ve karar verme gibi işlevleri yerine getirme ve akıl yürütme yeteneği veren algoritmaların çalışması olarak tanımlanmakla birlikte artık tıbbın pek çok alanında kullanılmaktadır. Anesteziyolojinin temel görevi hastanın kliniği olmakla birlikte çok fazla veri ile hareket etmesi gerekmektedir. Bu da yapay zeka ve anestezinin birlikteliğini gün geçtikçe artırmaktadır. Artificial intelligence is defined as the study of algorithms that give machines the ability to reason and perform functions such as problem solving, object and word recognition, inference of world situations and decision making, and it has been shown to be usable in many fields of medicine. While the main task of anesthesiology is the patient’s clinic, processing lots of data also needs to be concerned. This improves the coexistence of artificial intelligence and anesthesia day by day.Item type:Item, Patolojide yapay zeka: dost mu? düşman mı?(Ankara Üniversitesi Tıp Fakültesi, 2022) Sevim, Selim; Serbes, Ezgi Dicle; Bahadır, Murat; Kartal, Mustafa Said; Sak, Serpil DizbayYapay zeka teknolojileri son yıllarda hayatın birçok alanında sıkça kullanılmaktadır ve tıp alanında kullanım sıklığı gittikçe artmaktadır. Hastalıklara tanı koyan ve tedavileri şekillendiren bir bilim olan patolojide de, yapay zeka bazlı algoritmalar rutin içerisinde yer bulmaya başlamıştır. Bu teknolojilerin daha sık kullanılmasıyla birlikte, yapay zekanın patoloji özelinde, olumlu ve olumsuz yönleri tartışmaya açık hale gelmiştir. Bu derlemede tıbbi patolojide rutin işleyişin nasıl olduğunu özetlemek, yapay zeka kavramını patoloji perspektifinden mercek altına almak, patoloji ile yapay zeka ilişkisinde olumlu ve olumsuz yönleri değerlendirmek, gelecekte biz patologları nelerin bekliyor olabileceğini irdelemek amaçlanmıştır. Artificial intelligence technologies have been used frequently in many areas of life in recent years, and the frequency of its’ use in the field of medicine is increasing. In medical pathology, which is a specialty that diagnoses diseases and directs patient management, artificial intelligencebased algorithms have started to find a place in the routine practice. With the more frequent use of these technologies, the positive and negative impacts of artificial intelligence in pathology have become open to discussion. In this review, it is aimed to summarize the routine workflow in medical pathology, to examine the concept of artificial intelligence from the perspective of pathology, to evaluate the impact of artificial intelligence on pathology practice, and to assess what may await the future generations of pathologists.Item type:Item, Göğüs cerrahi alanında yapay zeka uygulamaları(Ankara Üniversitesi Tıp Fakültesi, 2022) Kahya, Yusuf; Cangır, Ayten KayıYapay zeka ve radiomics uygulamalarının insan sağlığına hizmet etmesi konusunda son yıllarda büyük ilerlemeler kaydedilmiştir. Bu yazının amacı göğüs cerrahisinde güncel YZ ve radiomics uygulamalarına genel bir bakış sağlamaktır. In recent years, great progress has been made in artificial intelligence and radiomics applications to serve human health. The goal of this paper is to provide an overview of current artificial intelligence and radiomics applications in thoracic surgery.Item type:Item, Yapay zeka, makine öğrenmesi ve tıp uygulamaları(Ankara Üniversitesi Tıp Fakültesi, 2022) Efe, Murat; Cangır, Ayten KayıYapay zeka (YZ) günümüzde sıklıkla kullanılan ve her geçen gün hayatın içinde kendisine yeni uygulama alanları bulan bir bilimdir. Bununla beraber sıradan insanlar için insanların yaptığı işleri ellerinden alacak robotlar/makineler anlamına gelmektedir. Bundan dolayı YZ kavramının anlaşılması, bu konuda farkındalığın artırılması ve bu teknolojinin insan hayatı için götürüsünden çok getirisi olduğunun bilinmesi önemlidir. Varoluştan bu yana insan hayatına hizmet eden tıp bilimi de YZ’nin giderek artan şekilde kullanıldığı ve uygulama bulduğu bir alandır. Bu makalede genel olarak YZ ve makine öğrenmesi ile ilgili temel kavramlar açıklanmış ve YZ’nin tıp uygulamaları ile tıp eğitimine sağlayacağı katkılar ortaya konmuştur. Artificial intelligence (AI) is a science that is commonly used in daily life where the number and variety of application areas are constantly increasing. However, for an ordinary person, AI is perceived as robots/machines that will take away their jobs. Therefore, it is of utmost importance that the concept of AI is well understood, an awareness is raised and there is more to gain from AI than lose. Medical Science that has been serving the humanity since the existence is another area that AI is increasingly used. In this article, basic concepts pertaining to AI and machine learning are explained and the contributions that AI can provide to medicine and medical education have been revealed.