Browsing by Author "Dedetürk, Bilge Kağan"

Now showing 1 - 3 of 3

Can artificial intelligence algorithms recognize knee arthroplasty implants from X-ray radiographs?
(MediHealth Academy, 2023) Gölgelioğlu, Fatih; Aşkın, Aydoğan; Gündoğdu, Mehmet Cihat; Uzun, Mehmet Fatih; Dedeturk, Bilge Kagan; Yalın, Mustafa; 0000-0002-8026-5003; AGÜ, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü; Dedetürk, Bilge Kağan
Aims: This study aimed to investigate the use of a convolutional neural network (CNN) deep learning approach to accurately identify total knee arthroplasty (TKA) implants from X-ray radiographs. Methods: This retrospective study employed a deep learning CNN system to analyze pre-revision and post-operative knee X-rays from TKA patients. We excluded cases involving unicondylar and revision knee replacements, as well as low-quality or unavailable X-ray images and those with other implants. Ten cruciate-retaining TKA replacement models were assessed from various manufacturers. The training set comprised 69% of the data, with the remaining 31% in the test set, augmented due to limited images. Evaluation metrics included accuracy and F1 score, and we developed the software in Python using the TensorFlow library for the CNN method. A computer scientist with AI expertise managed data processing and testing, calculating specificity, sensitivity, and accuracy to assess CNN performance. Results: In this study, a total of 282 AP and lateral X-rays from 141 patients were examined, encompassing 10 distinct knee prosthesis models from various manufacturers, each with varying X-ray counts. The CNN technique exhibited flawless accuracy, achieving a 100% identification rate for both the manufacturer and model of TKA across all 10 different models. Furthermore, the CNN method demonstrated exceptional specificity and sensitivity, consistently reaching 100% for each individual implant model. Conclusion: This study underscores the impressive capacity of deep learning AI algorithms to precisely identify knee arthroplasty implants from X-ray radiographs. It highlights AI’s ability to detect subtle changes imperceptible to humans, execute precise computations, and handle extensive data. The accurate recognition of knee replacement implants using AI algorithms prior to revision surgeries promises to enhance procedure efficiency and outcomes.
GEAKDES: Gerçek Zamanlı Deprem Afet / Süreç Yönetimi İçin Yapay Zekâ Temelli Akıllı Karar Destek Sistemi
(TRDizin, 2024) Özmen, Mihrimah; Akın, Müge; Yüksel, Muhammed Burak; Dedetürk, Bilge Kağan; Özcan, Orkan; 0000-0001-8873-5287; 0000-0002-8026-5003; AGÜ, Mühendislik Fakültesi, İnşaat Mühendisliği Bölümü; Akın, Müge; Dedeturk, Bilge Kağan
Depremler, dünya genelinde sıkça görülen ve ciddi etkiler yaratan doğal felaketlerdir. Modern teknoloji, özellikle sismik olarak aktif bölgelerde, gerçek zamanlı sismik ölçümlerle hızlı müdahale imkanı sağlar. Deprem sonrası hızlı ve doğru hasar tespiti, acil yardım ve kurtarma operasyonlarının etkin yönetilmesini sağlar. Depremlerin dünya çapında ekonomik ve insan kayıpları büyük boyutlardadır, özellikle sismik olarak aktif bölgelerde tehdit oluşturur. Bina güçlendirme çalışmaları ve afet önleme planları, toplumların depremlere karşı direncini artırabilir. Makine öğrenimi ve yapay zeka, depremle ilgili konularda önemli uygulamalara sahiptir. Bu teknolojiler, deprem hasar tahmini, sismik aktivite tahmini ve bina güçlendirme stratejilerinde kullanılır. GEAKDES projesi, bütünleşik bir afet karar destek sistemi sunmaktadır. Gerçek zamanlı makine öğrenmesi algoritmaları, deprem hasar tahminini bina, deprem, zemin gibi karakteristik özelliklerden elde ederek gerçekleştirmektedir. Bu bilgiler, uydu görüntü analizleri ile birleştirilerek daha yüksek doğrulukla deprem hasar tahmini yapılmasını sağlamaktadır. Ayrıca, deprem sonrası yardım ihtiyaçlarını tespit ederek lojistik ağ modeli çalıştırılmakta ve yardım rotaları belirlenmektedir. Proje kapsamında geliştirilen Maliyet Duyarlı Paralel ABC-ANN ve Maliyet Duyarlı Paralel GA algoritmaları, deprem hasar tahmininde yüksek doğruluk ve hızlı eğitim süreleriyle dikkat çekmektedir. Sentinel-2 ve Sentinel-1 uydu görüntüleri kullanılarak deprem sonrası hasar tespiti yapılmış, optik görüntülerle bina yıkımları, SAR görüntüleriyle zemindeki değişiklikler belirlenmiştir. Bu bilgilerin entegrasyonuyla %91 doğruluk elde edilmiştir. Açık kaynaklı Sentinel-1 SAR uydu görüntülerinin kullanımı, makine öğrenmesi yöntemlerine entegre edilerek deprem kaynaklı hasarın anlaşılmasına katkı sağlamıştır. GEAKDES, hasar tahmin bilgilerini kullanarak deprem bölgesi yardım ulaştırma planlamasına yönelik lojistik ağı modellemektedir. MM-CSA yaklaşımıyla rotalar hesaplanmış ve İkame Ürün Stratejisi ile pilot bölgelerde yardım dağıtım rotaları belirlenmiştir. Proje, elde edilen bilgi ve deneyimleri paylaşarak insanlığın faydalanmasını amaçlamaktadır.
ZAMAN PENCERELİ ARAÇ ROTALAMA PROBLEMLERİ İÇİN KÜMELEME TEMELLİ KLONAL SEÇİM ALGORİTMASI
(Ankara Üniversitesi, 2023) Dedetürk, Bilge Kağan; Kolukısa, Burak; Özmen, Mihrimah; 0000-0003-0423-4595; AGÜ, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü; Kolukısa, Burak
Günümüzde doğal felaketlerin sayısı artmakta, daha sık yaşanmakta ve bu afetler, insan hayatını derinden etkilemektedir. Depremler, sel olayları ve salgınlar gibi doğal felaketlerin yol açtığı tahribatla başa çıkmak oldukça zordur. Türkiye'de gerçekleşen 6 Şubat depremi 11 ili etkileyerek yaklaşık 14 milyon insanı mağdur etmiştir. Deprem sonrası yol, köprü, tünel ve demiryolu gibi ulaşım altyapıları işlevsiz hale gelebilmekte ve alternatif rotaların hızla belirlenmesi zorlaşabilmektedir. Deprem sonrası yardım dağıtım faaliyetlerinde, araç rotalama problemleri (ARP) ile çözüm üretilebilir. ARP, çok sayıda müşteriye hizmet vermek amacıyla bir araç filosunu optimize eden kombinatoryal bir optimizasyon ve tam sayılı programlama problemidir. Zaman pencereli araç rotalama problemi (ZP-ARP) belirli zaman ve kapasite kısıtları altında en düşük maliyetle rotaların belirlenmesini amaçlar. Bu çalışmada, ZP-ARP için Kümeleme Temelli Klonal Seçim Algoritması (KSA) önerilmektedir. Kortalama ve K-ortalama++ algoritmaları kullanılarak algoritmanın başlangıç çözüm kümesi iyileştirilmiş ve ardından KSA ile ZR-ARP için sonuçlar elde edilmiştir. Deneyler, ARP algoritmalarının sınanmasında literatürde sıklıkla kullanılan Solomon C1 ve R1 veri setleri üzerinde gerçekleştirilmiş olup, çeşitli problemler için sonuçları alınmıştır. Deney sonuçlarına göre, kümeleme algoritması ile başlangıç çözümü elde edilmesi, KSA’nın sonuçlarını iyileştirdiği ve KSA’ nın yerel optimuma takılmasını önlediği görülmüştür.