No abstract

Tıbbi görüntüleme alanında derin öğrenme modeli, mevcut yöntemlere kıyasla zaman ve performans açısından daha fazla katkıda bulunan bir modeldir. Görüntülerin otomatik olarak bölütlenmesini veya sınıflandırılmasını kapsar. Mevcut yöntemler ile tek katmanlı görüntüler üzerinden işlem yapılırken, derin öğrenme modeli ile çok katmanlı görüntüler üzerinden çalışma performansı daha yüksek ve daha kesin sonuçlar elde edilebilir. Son zamanlardaki gelişmeler, bu yaklaşımların tıbbi görüntülerdeki örüntülerin tanımlanması ve nicelendirilmesinde oldukça etkili olduğunu göstermektedir. Bu ilerlemelerin en önemli nedeni, derin öğrenme yaklaşımlarının doğrudan görüntülerden hiyerarşik özellik temsilleri elde etme yeteneğidir. Bu nedenle, derin öğrenme yöntemlerinin tıbbi görüntü işleme ve bölütleme alanındaki uygulamaları hızla en son teknolojiye dönüşmektedir ve klinik uygulamalarda performans iyileştirmeleri sağlamaktadır. Bu makalede, derin öğrenme yaklaşımlarının biyomedikal görüntülerin bölütlenmesi için uygulamaları, yöntemleri ve içerikleri genel bir bakış açısıyla incelenmiştir.

Electroencephalography (EEG) data, which provides information about the electrical activity of the brain, are widely used in the diagnosis of neurological diseases, EEG signals also provide important information in the detection of epilepsy, which is one of the diseases affecting approximately 1% of the world’s population. In this study, it was aimed to detect the epileptic seizure before the seizure by using EEG signals. For this purpose, after preprocessing steps were performed by using EEG signals in different situations from epilepsy and healthy individuals, features were extracted from EEG signals from subband signals obtained by using Robust Local Mean Decomposition (RLMD) and Empirical Mode Decomposition (AKA) methods. Classification studies were carried out with the obtained features and Artificial Neural Networks (ANN). In line with the studies, the classification results of the different states of the EEG signals were revealed using the performance parameters of accuracy, sensitivity, specificity, precision and f1 score.