Derin Öğrenme

Giriş Bu projede U-Net tabanlı böbrek segmentasyonu ve görüntü işleme yöntemleriyle perinefrik yağ kalınlığı ve stranding otomatik ölçülmüş, MAP skoru hesaplanmıştır. Geliştirilen sistem; cerrahi planlamada hızlı, doğru ve güvenilir bir klinik karar desteği sunmaktadır. Proje Konusu Böbrek tümörü ameliyatlarında, ameliyat zorluğunu belirleyen MAP (Mayo Adhesive Probability) skorunun hızlı ve doğru şekilde elde edilmesi amaçlanmıştır. Bu kapsamda, böbrek çevresindeki perinefrik yağ kalınlığı ve stranding (yapışık yağ dokusu yoğunluğu) parametreleri görüntü işleme ve derin öğrenme yöntemleriyle otomatik olarak hesaplanmıştır. ...

Proje Demosu Uygulamanın gerçek zamanlı çalışma performansını ve arayüz özelliklerini aşağıdaki videodan inceleyebilirsiniz: Proje Tanımı Fix Focus, modern eğitim ve çalışma hayatındaki en büyük sorunlardan biri olan “odak kaybı” problemini teknoloji ile çözmek için tasarlanmıştır. Yapay Zeka ve Teknoloji Akademisi Hackathon sürecinde geliştirilen bu masaüstü uygulaması, bilgisayar kamerasını kullanarak kullanıcının göz ve baş hareketlerini analiz eder. Gerçek zamanlı veri işleme teknikleri sayesinde, kullanıcının derse veya işe odaklanıp odaklanmadığını tespit ederek anlık geri bildirimler sunar. ...

Proje Tanımı Talk 2-2, Yapay Zeka ve Teknoloji Akademisi bünyesinde geliştirdiğimiz bir yapay zekâ destekli kişisel koç uygulamasıdır. Kullanıcıların sunum, mülakat veya günlük sohbet gibi durumlarda iletişim becerilerini geliştirmelerine yardımcı olur. Sloganımız: “Daha net, daha sen.” Proje Amacı Kullanıcılara konuşmaları hakkında somut geri bildirimler sunarak daha akıcı, net ve özgüvenli bir ifade tarzı kazandırmak. Görev ve Sorumluluklar Developer olarak ekibin Agile prensipleri ile uyum içinde çalışmasını sağlamak Sprint hedeflerine odaklanmak ...

Giriş Kullanılan Teknolojiler ve Araçlar Proje Detayları Proje Konusu Bu proje, düşük dereceli glioma (LGG) beyin tümörlerinin tespiti için U-Net mimarisi kullanılarak beyin MR görüntülerinin segmentasyonunu gerçekleştirmektedir. Model, tümörlerin konum ve sınırlarını belirlemek amacıyla derin öğrenme teknikleriyle eğitilmiştir. Sonuçlar Sonuçlarda model %99.57 doğrulukla tümör var/yok sınıfl andırması yaparken dice katsayısı 0.78 ve IoU 0.64 ile segmentasyon performansı sergilemiştir.