Tıbbi görüntülerin yapay zekâ modelleriyle analizi üzerine çalışmalar yürütüyor ve bu alanda uygulamalar geliştiriyorum. Amacım, hastalıkların daha hızlı ve doğru tespit edilebilmesi için hekimlere yardımcı olacak yapay zekâ tabanlı çözümler sunmak.
Çalışmalarımda, uzmanlar tarafından etiketlenmiş veya maskelenmiş DICOM formatındaki MR, BT, Röntgen, Ultrason, Mamografi ve Histopathology görüntülerinden oluşan büyük veri setlerini kullanıyorum. Bu verileri çeşitli yapay zekâ algoritmalarıyla eğiterek, farklı hastalıkların tespitinde kullanılabilecek modeller geliştiriyorum.
Özellikle meme kanseri alanında gerçekleştirdiğim projelerde; Mamografi ve MRI, Ultrason, Histopatoloji görüntülerinden tümörlerin tespiti, benign/malign ayrımı ve tümör boyutlarının ölçülmesi gibi analizleri başarıyla gerçekleştiren uygulamalar geliştirdim.
Bu süreçte yüz binlerce Mamografi, DCM-MRI, Ultrason ve Tomografi görüntüsü kullanarak modelleri eğittim. Elde ettiğim modelleri Windows tabanlı uygulamalara entegre ederek, on binlerce test görüntüsü üzerinde %95 ile %99,8 arasında doğruluk oranlarıyla sonuçlar elde ettim.
Geliştirdiğim uygulamalardan bazıları, on binlerce hatta milyonlarca görüntüyü birkaç saat veya gün içinde analiz edebiliyor. Bulguları görüntülerin üzerinde işaretleyerek, otomatik raporlar oluşturuyor ve kullanıcıya sunuyor. Bu sayede büyük arşivlerdeki 10–20 yıllık veriler kısa sürede taranabiliyor; önceki teşhislerle karşılaştırmalar yapılarak yeni bulgular elde edilebiliyor, gözden kaçan anomaliler tespit edilebiliyor.
Uygulamalarım yalnızca Radyoloji Uzmanları ve Doktorlara yardımcı olmak amacıyla geliştirilmiştir. Kullanım sürecinde alınacak geri bildirimler doğrultusunda sürekli olarak geliştirilmeye ve iyileştirilmeye devam edecektir.
Talep edilmesi halinde burada bulunan uygulamaların benzerleri tarafınızdan sağlanacak MR, BT, Röntgen, Ultrason, Mamografi ve Histopathology görüntülerinden oluşan veri setleri ile de Tıbbi AI Modelleri de geliştirilerek bu modelleri klinik sevide kullanabilecek web sayfamızda örnekleri bulunan yada benzeri Arayüz uygulamaları da geliştirilebilecektir.
Sonuç olarak, bu çalışmalar tıbbi görüntü analizi alanında yapay zekânın pratikte nasıl kullanılabileceğini göstermekte; teşhis süreçlerini destekleyerek sağlık hizmetlerine anlamlı bir katkı sağlamayı hedeflemektedir.
Saygılarımla,
Ahmet KARAKUŞ
Bağımsız Araştırmacı ve Uygulama Geliştiricisi
I specialize in developing applications and conducting research on the analysis of medical images using artificial intelligence. My primary goal is to provide AI-based solutions that assist physicians in diagnosing diseases more accurately and efficiently.
In my work, I utilize large datasets composed of DICOM-format MR, CT, X-ray, ultrasound, and mammography images that have been annotated or masked by medical experts. By training various AI algorithms on these datasets, I develop models that can be used to detect a wide range of diseases.
In particular, my projects in the field of breast cancer focus on detecting tumors from mammography and MRI images, determining whether they are benign or malignant, and measuring tumor dimensions. I have developed applications that perform these analyses with high precision.
Throughout this process, I have trained models using hundreds of thousands of mammography, DCM-MRI, ultrasound, and tomography images. These models have been integrated into Windows-based applications and tested on tens of thousands of images, achieving accuracy rates between 95% and 99.8%.
Some of the applications I’ve developed are capable of analyzing tens of thousands or even millions of images within a few hours or days. They can mark findings directly on the images, generate reports, and present results to the user. This enables rapid screening of large archives containing 10 to 20 years of data. The outcomes can be compared with previous diagnoses to uncover new insights and detect previously overlooked findings.
All of my applications are designed exclusively to support radiologists and physicians. They will continue to be improved and refined based on user feedback during deployment.
Ultimately, these efforts demonstrate how artificial intelligence can be practically applied in medical image analysis, aiming to enhance diagnostic workflows and contribute meaningfully to healthcare services.
Sincerely,
Ahmet KARAKUŞ
Application Developer
Sağlık Bakanlığı Açık Veri Portalın'daki 2023 Teknofest MammosighTR Veri Setindeki 10,740 vaka eğitim için 2,000 vaka test için Radyoloji uzmanları tarafından hazırlanmış toplamda 50.959 Mamografi görüntüsünden oluşan bu veri seti çeşitli mimarilerdeki modeller ve algoritmalarla eğitilerek BI-RADS Sınıfında %100 doğruluk oranında, DENSITY Sınıfında %100 doğruluk oranında, Sınıflandırmaları ve Tümör tespitinde %98.5 doğruluk oranında tespitler yapabilen modeller oluşturulmuştur.
BI-RADS, DENSITY, GÖRÜNTÜ SINIFLANDIRICI VE TÜMOR TESPİT UYGULAMASI,
uygulamaya 2 adet BI-RADS classification, 1 adet DENSITY classification, 2 adet detection modeli entegre edilmiştir.
Birden fazla modellerin eklenme nedeni yapılan tespitlerin gerektiğinde doğruluk kontrolü yapılabilmesi için için eklenmiştir.
Uygulama tek bir görüntüyü Classification ve Detection analizleri yaparak sonuçları ekranda göstermektedir.
Ayrıca klasör bazında da aynı analizleri yaparak sonucunu belirtilen klasöre görüntüler üzerine sonuçlar yazılmış olarak kaydetmektedir
Cilt Hastalıkları Tespit Sistemi Uygulaması
Bu uygulamanın eğitimi için Uzmanlar tarafından Seçilmiş Yaklaşık 65,000 Tıbbi Görüntü kullanılmıştır.
Uygulama %91,9 Doğruluk Oranında Tespitler yapabilmektedir.
Tespit Edilebilen Cilt Hastalıkları:
"Acne", "Actinic Keratosis", "Basal Cell Carcinoma", "Chickenpox",
"Dermato Fibroma", "Dyshidrotic Eczema", "Melanoma", "Nail Fungus",
"Nevus", "Normal Skin", "Pigmented Benign Keratosis", "Ringworm",
"Seborrheic Keratosis", "Squamous Cell Carcinoma", "Vascular Lesion"
Omurga Lezyonu Segmentasyon Sistemi Uygulaması
Bu uygulamanın eğitimi için Uzmanlar tarafından Seçilmiş Yaklaşık 10,000 Tıbbi Görüntü kullanılmıştır.
Uygulama %81 Doğruluk Oranında Tespitler yapabilmektedir.
Tespit Edilebilen Lezyonlar:
'Ankylosis', 'Disk space narrowing', 'Enthesophytes',
'Foraminal stenosis', 'Fracture', 'Osteophytes',
'Sclerotic lesion', 'Spondylolisthesis', 'Subchondral sclerosis',
'Surgical implant', 'Vertebrae collapse', 'Foreign body',
'Other lesions'
Omurga Lezyonu Segmentasyon Sistemi Uygulaması
Bu uygulamanın eğitimi için Uzmanlar tarafından Seçilmiş Yaklaşık 1,200 Tıbbi Görüntü kullanılmıştır.
Uygulama %91 Doğruluk Oranında Tespitler yapabilmektedir.
Tespit Edilebilen Lezyonlar:
'Annular Disc Relaxationrotation', 'Annular Tearrotation', 'Degenerative Disc Diseaserotation', 'Demyelinating Plaquesrotation', 'Disc Bulgerotation', 'Disc Herniationrotation', 'Disc Protrusionrotation', 'Disc Relaxationrotation', 'Fracturerotation', 'Hemangiomatarotation', 'Osteophytesrotation'
Omurga Lezyonu Detection Sistemi Uygulaması
Bu uygulamanın eğitimi için Uzmanlar tarafından Seçilmiş Yaklaşık 10,000 Tıbbi Görüntü kullanılmıştır.
Uygulama %81 Doğruluk Oranında Tespitler yapabilmektedir.
Tespit Edilebilen Lezyonlar:
'Ankylosis', 'Disk space narrowing', 'Enthesophytes',
'Foraminal stenosis', 'Fracture', 'Osteophytes',
'Sclerotic lesion', 'Spondylolisthesis', 'Subchondral sclerosis',
'Surgical implant', 'Vertebrae collapse', 'Foreign body',
'Other lesions'
Omurga Eğriliği Tespit Sistemi Uygulaması
Bu uygulamanın eğitimi için Uzmanlar tarafından Seçilmiş Yaklaşık 1600 Tıbbi Görüntü kullanılmıştır.
Uygulama %96 Doğruluk Oranında Tespitler yapabilmektedir.
Tespit Edilebilen Lezyonlar:
'Vertebra', 'scoliosis spine', 'normal spine'
DCE-MRI
Ham DCE-MRI görüntüleri, MR tarayıcısından elde edilen ve henüz herhangi bir ileri düzey
işleme veya analize tabi tutulmamış temel veri setlerini analiz ederek sonuçlarını rapor olarak
ekrana yazar. Bu uygula DCE-MRI görüntülerini mükemmel şekilde analiz eder ve
Raporundada çok ciddi sonuçlar verir ve tavsiyelerde bulunur.
DCE-MRI TÜMÖR ANALİZ RAPORU ÖRNEĞİ
GENEL BİLGİLER
• Analiz Tarihi: 2025-07-07 13:07:55
• Kullanılan Threshold: 0.50
• Toplam Voxel: 442,368
TÜMÖR TESPİT SONUÇLARI
• Tümör Voxel Sayısı: 2,266.0
Tümör Yüzdesi: 0.51%
Tümör Hacmi: 2266.0 mm³
• Tümör Hacmi: 2.266 cm³
DCE-MRE Segmentasyon ve Analizi Uygulaması
Mamografi Analizi
Bu uygulama Seçilen Mamografi Görüntülerini Tek Tek Analiz eder.
Analizi yaparken kullandığı Yapay Zeka Modellerinin tespitlerindeki
doğruluk oranı %96 ile %99.5 oranlarındadır
CRC Histoloji Görüntü Analiz Aracı
insan kolorektal kanseri (CRC) ve normal dokuya ait hematoksilin ve eozin (H&E) ile boyanmış histolojik görüntülerden alınan 100.000 adet örtüşmeyen görüntü yamasından oluşan veri setinin eğitimi ile oluşan modeli kullanarak %95 doğruluk oranında tespitlerde bulunabilen bir uygulamadır.
Breast Ultrasound Tumor Classification
BUSI-Ultrasonografi Görüntülerinin Sınıflandırılması (benign", "malignant", "normal") Uygulaması
Breast Ultrasound Tumor Classification, Bu uygulama meme ultrason görüntülerini yapay zeka modelleri kullanarak analiz eder
• Meme Ultrason Görüntülerinin Segmentasyonu
• Pathology Sınıflandırması (Benign/Malignant)
• BIRADS Skorlama Sistemi (2-5)
• Detaylı Analiz Raporları
• PDF ve JSON Formatında Çıktılar
Bu uygulamada dört ultrason tarayıcısı aracılığıyla edinilen 1064 kadın hastadan 1875 anonimleştirilmiş görüntülerden oluşan veri seti eğitilerek oluşturulan model kullanılarak oluşturulmuştur.•
Segmentasyon Modeli: %94.24 Doğruluk
• Pathology Sınıflandırma: %86.13 Doğruluk
• BIRADS Sınıflandırma: %62.40 Doğruluk
Mamografi Görüntülerinin Görüntülerinin Sınıflandırılma(benign", "malignant", "normal") Uygulaması
Uygulamayı oluştururken kullanılan veri seti deneyimli radyologlar tarafından maskeleri elle çizilerek oluşturulmuştur.
Uygulama %95 Doğruluk Oranında Tespitler yapabilmektedir.
Uygulama %95 Doğruluk Oranında Tespitler yapabilmektedir.
Uygulama %98.8 Doğruluk Oranında Tespitler yapmaktadır
Uygulama %99.73 Doğruluk Oranında Tespitler yapabilmektedir.
Bu oran oldukça yüksek olup tümörleri % yüz tespit ediyor denebilir.
Uygulama %99.73 Doğruluk Oranında Tespitler yapabilmektedir.
Bu oran oldukça yüksek olup tümörleri % yüz tespit ediyor denebilir.
Uygulama %99.5 Doğruluk Oranında Tespitler yapabilmektedir.
Bu oran oldukça yüksek olup tümörleri % yüz tespit ediyor denebilir.
Bu uygulamada kullanılan Model yaklaşık 8,900 Tıbbi görüntü ile eğitilmiştir.
Uygulama %99.5 Doğruluk Oranında Tespitler yapabilmektedir.
Bu oran oldukça yüksek olup tümörleri % yüz tespit ediyor denebilir.
Bu uygulamada kullanılan Model yaklaşık 9,000 Tıbbi görüntü ile eğitilmiştir.
Bu uygulamanın eğitimi için Uzmanlar tarafından etiketlenmiş 34,000 ses kaydı kullanılmıştır.
Uygulama %94,8 Doğruluk Oranında Tespitler yapabilmektedir.
Karaciğer Tümörü Tespit Sistemi Uygulaması
Bilgisayarlı Tomografi (BT/CT) cihazı ile karın bölgesinin kontrast madde verilmiş abdominal CT’ler kesit kesit, çok detaylı
görüntülerinin alınması ile elde edilen .nii veya nii.gz 3 boyutlu görüntülerinin eğitilmesi ile oluşturulan
ve %95 doğruluk oranına sahip Yapay Zeka Modeli ile 3D Tıbbi görüntüden;
Karaciğer tespit edilerek yeşil renk ile bölgesel tespit,
Karaciğerdeki tümör bölgesinin kırmızı ile belirlenmesi,
Karaciğerin ve tümörün hacim istatistiklerinin çıkarılması,
işlemleri yapılmaktadır
Uygulama da kullanılan AI model ile Karaciğer ve Tümör tespit edilerek yeşil ve kırmızı renklerle
bölgesel işaretlemesi yapılarak ve hacim istatistikleri çıkartılarak panoda gösterilmiştir.
Uygulama %84 ile %99.5 Doğruluk Oranında Tespitler Yapabilen 4 Ayrı Veri Seti Eğitilerek Oluşturulan 5 Model Tarafından Tespitler Yapabilmektedir.
Bu Modellerin 1 Tanesi Renkli Görüntüler Üzerinden Tespit Yapmaktadır
Bu oranlar oldukça yüksek olup tümörleri % yüz tespit ediyor denebilir.
Uygulama %96 Doğruluk Oranında Tespitler yapabilmektedir.
Uygulama %96 Doğruluk Oranında Tespitler yapabilmektedir.
Uygulama %96 Doğruluk Oranında Tespitler yapabilmektedir.
Uygulama %96 Doğruluk Oranında Tespitler yapabilmektedir.
Mobirise