Teknofest Yapay Zeka Projeleri

Neuronauts olarak Teknofest platformunda sağlık alanında yapay zeka uygulamalarıyla önemli başarılara imza attık. İşte bu yenilikçi projelerimizin detayları:

Sağlıkta Yapay Zeka: X-Ray Görüntülerinden Hasta Özellik Çıkarımı ve Teşhis

Bu projemizde, 5 büyük halka açık veri setinden temin edilen anonimleştirilmiş X-ray görüntülerinden hastaların klinik özelliklerini (Kardiyotorasik Oran vb.) çıkardık. Görüntü işleme tekniklerini kullanarak elde ettiğimiz bu verileri, teşhis sürecine entegre etmek amacıyla karmaşık bir yapay zeka modeli geliştirdik.

Modelimiz, Geleneksel Sinir Ağları (ANN) ile Evrişimsel Sinir Ağları (CNN) mimarilerini hibrid bir yaklaşımla birleştirerek benzersiz bir performans sergiledi. Bu birleşim sayesinde, doktorların bile üzerinde bir doğruluk oranıyla eksternal validasyon aşamasında hastalık teşhisinde 0.97 F1 skoru gibi etkileyici bir sonuç elde ettik. Bu başarı, yapay zekanın tıbbi görüntü analizindeki potansiyelini ve insan uzmanlığının ötesine geçebilme yeteneğini gözler önüne sermektedir. Projemiz, hızlı ve doğru teşhis imkanı sunarak sağlık sektörüne büyük katkı sağlamayı hedeflemektedir.

Yapay Zeka Destekli Polip Segmentasyonu

Kolonoskopi görüntüleri üzerinden polip tespiti, erken teşhis ve tedavi için kritik öneme sahiptir. Bu projemizde, uzmanlar tarafından sağlanan kolonoskopi görüntülerinden polip bölgelerini otomatik olarak segmentasyonunu gerçekleştiren ileri düzey bir yapay zeka modeli geliştirdik.

Geliştirdiğimiz model, özellikle görüntüdeki polip konumunu ve sınırlarını %90 Mean IoU oranıyla doğru bir şekilde belirleyerek, alandaki en başarılı uygulamalardan biri olmayı başardı. Bu yüksek başarı oranı, cerrahi müdahaleler öncesinde kesin lokalizasyon sağlayarak hata payını minimuma indirmekte ve doktorlara paha biçilmez bir yardımcı araç sunmaktadır.

Kardiyotorasik Oran Hesaplaması ile Akciğer ve Kalp Sağlığı Analizi

Kardiyotorasik oran (CTR), kalp büyüklüğünün ve potansiyel kardiyak sorunların değerlendirilmesinde önemli bir radyolojik ölçümdür. Bu projemiz kapsamında, internet üzerinden kendi topladığımız geniş bir veri kümesi üzerinde çalıştık.

Bu görüntülerden sağ akciğer, sol akciğer ve kalp bölgelerini hassas bir şekilde segmente eden derin öğrenme modelleri geliştirdik. Segmentasyon sonuçlarını kullanarak, otomatik olarak kardiyotorasik oranı hesaplayan bir sistem oluşturduk. Bu otomasyon, manuel ölçümlerden kaynaklanabilecek hata payını azaltarak ve süreci hızlandırarak, özellikle büyük veri setlerinde verimli ve doğru analizler yapılmasını sağlamaktadır. Projemiz, kardiyovasküler hastalıkların erken teşhisine ve takibine katkıda bulunmayı amaçlamaktadır.