Sürdürülebilir Kalkınma Amaçları

• 2

• MakaleAçık Erişim2024/r/munzur/6355
  Convmixer ve SDD Kullanılarak DEHB Hastalığının EEG Sinyalleri ile Otomatik Olarak Tespit Edilmesi

  Sengur, Abdulkadir; Üzen, Hüseyin; Özçelik, Salih Taha Alperen; Uyanik, Hakan; Karakaş, Buğra

  DEHB, çocuklarda dikkat eksikliği, davranış problemleri, eğitimle ilgili sorunlar ve düşük özgüven gibi problemler oluşturabilir. Bu çalışma, Dikkat Eksikliği Hiperaktivite Bozukluğu (DEHB) teşhisini elektroensefalografi (EEG) sinyalleriyle değerlendirmeyi hedefleyen bir araştırmayı özetlemektedir. Araştırma, 30 DEHB tanısı almış çocuk ve 30 sağlıklı kontrol grubunun EEG verilerini kullanmıştır. EEG verileri öncelikle gürültü azaltma amacıyla işlenmiş ve ardından ConvMixer, ResNet50 ve ResNet18 gibi derin öğrenme modelleri kullanılarak sınıflandırılmıştır. Bulgular, ConvMixer'in düşük hesaplama kaynaklarına ihtiyaç duyarak yüksek sınıflandırma başarısı elde ettiğini göstermektedir. Ayrıca, EEG sinyallerinin DEHB teşhisinde kullanılabilirliği konusunda farklı kanalların etkileri incelenmiş ve T8 kanalının özellikle etkili olduğu tespit edilmiştir. Bu çalışma, EEG tabanlı DEHB teşhisi için daha hafif modellerin kullanılabilirliğini ve EEG kanallarının önemini vurgulamaktadır.

  • 
  AtıfOpenAlex1

  İncele
• MakaleYalnız künye2024Scopus SJRQ2/r/munzur/1899
  Maxillary sinus detection on cone beam computed tomography images using ResNet and Swin Transformer-based UNet

  Çelebi, Adalet; Imak, Andaç; Üzen, Hüseyin; Budak, Ümit; Türkoğlu, Muammer; Hanbay, Davut; Şengür, Abdulkadir

  Objectives: This study, which uses artificial intelligence-based methods, aimed to determine the limits of pathologic conditions and infections related to the maxillary sinus in cone beam computed tomography (CBCT) images to facilitate the work of dentists. Methods: A new UNet architecture based on a state-of-the-art Swin transformer called Res-Swin-UNet was developed to detect the sinus. The encoder part of the proposed network model consists of a pre-trained ResNet architecture, and the decoder part consists of Swin transformer blocks. Swin transformers achieve powerful global context properties with self-attention mechanisms. Because the output of the Swin transformer generates sectorized features, the patch expanding layer was used in this section instead of the traditional upsampling layer. In the last layer of the decoder, sinus diagnosis was conducted through classical convolution and sigmoid function. In experimental works, we used a data set including 298 CBCT images. Results: The Res-Swin-UNet model achieved more success, with a 91.72% F1-score, 99% accuracy, and 84.71% IoU, outperforming the state-of-the-art models. Conclusions: The deep learning-based model proposed in the present study can assist dentists in automatically detecting the boundaries of pathologic conditions and infections within the maxillary sinus based on CBCT images.

  • 
  AtıfScopus21·OpenAlex20

  İncele