TR-Dizin İndeksli Yayınlar Koleksiyonu
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/396
Browse
3 results
Search Results
Research Project GEAKDES: Gerçek Zamanlı Deprem Afet / Süreç Yönetimi İçin Yapay Zekâ Temelli Akıllı Karar Destek Sistemi(2024) Dedeturk, Bilge Kagan; Özmen, Mihrimah; Yüksel, Muhammed Burak; Akin, Muge; Ozcan, OrkanDepremler, 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.Research Project GEAKDES: Gerçek Zamanlı Deprem Afet / Süreç Yönetimi İçin Yapay Zekâ Temelli Akıllı Karar Destek Sistemi(2024) Dedeturk, Bilge Kagan; Özmen, Mihrimah; Yüksel, Muhammed Burak; Akin, Muge; Ozcan, OrkanEEEAG - Elektri̇k, Elektroni̇k Ve Enformati̇k Araştirma Destek GrubuArticle Can Artificial Intelligence Algorithms Recognize Knee Arthroplasty Implants From X-Ray Radiographs?(2023-10-27) Askin, Aydogan; Yalın, Mustafa; Golgelioglu, Fatih; Dedeturk, Bilge Kagan; Gündoğdu, Mehmet; Uzun, Mehmet FatihAims: 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.