SavedAdd your journal

Journals / Sakarya University Journal of Computer and Information Sciences / 2019 / Cilt: 2 Sayı: 1

Deep Learning Performance on Medical Image, Data and Signals

Pakize Erdoğmuş
Pages
28–40
Publication Date
2019-04-30
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu sonuçlar bilgisayar destekli teşhis sistemlerinin çok yakın bir gelecekte tam performans ile kullanılacağını göstermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada, 2009-2019 yılları arasında Tıpta derin öğrenme ile ilgili yapılmış çalışmalar, derin öğrenmenin Tıbbı görüntü, veri ve sinyaller üzerine başarısını gözlemlemek için araştırılmıştır.
📊
Key Findings & Data:Web of Science’tan elde edilen çalışmalar değerlendirilmiş ve atıf sayısına göre seçilmişlerdir.
💡
Conclusion & Impact:Bu sonuçlar bilgisayar destekli teşhis sistemlerinin çok yakın bir gelecekte tam performans ile kullanılacağını göstermektedir.
🔬Design:Research Article
📍Scope:2009-2019 Verileri
⚙️Variables:edical data · deep learning · convolutional neural networks

Abstract

Bu çalışmada, 2009-2019 yılları arasında Tıpta derin öğrenme ile ilgili yapılmış çalışmalar, derin öğrenmenin Tıbbı görüntü, veri ve sinyaller üzerine başarısını gözlemlemek için araştırılmıştır. Web of Science’tan elde edilen çalışmalar değerlendirilmiş ve atıf sayısına göre seçilmişlerdir. Çalışmalar yayın yılı, derin ağ yapısı, kullanılan veritabanı ve değerlendirme kriterine göre tablo haline getirilmiştir. The results have shown that the deep learning network structures, applied on fundus images, have attained nearly %99 percent accuracy. Sonuçlar retinal fundus görüntüleri uygulanan derin öğrenme ağ yapılarının doğruluklarının %99’lara ulaştığını göstemektedir. Bu aralıktaki çalışmaların çoğu radyoloji ve nükleer tıp alanında yapılmış olsa de sonuçlar henüz %80-90 aralığında görülmektedir. Bu sonuçlar bilgisayar destekli teşhis sistemlerinin çok yakın bir gelecekte tam performans ile kullanılacağını göstermektedir.

🔖

Cite This Article

Erdoğmuş, P. (2019). Deep Learning Performance on Medical Image, Data and Signals. Sakarya University Journal of Computer and Information Sciences, Cilt: 2 Sayı: 1, 28–40. https://ajindex.com/articles/946712

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Felder, Richard M., and Linda K. Silverman. "Learning and teaching styles in engineering education." Engineering education78.7 (1988): 674-681.
  2. LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton. "Deep learning." nature 521.7553 (2015): 436. Litjens, Geert, et al. "A survey on deep learning in medical image analysis." Medical image analysis 42 (2017): 60-88. https://www.webofknowledge.com, Last acces date: 14.03.2019.
  3. Gulshan, Varun, et al. "Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs." Jama 316.22 (2016): 2402-2410. Abràmoff, Michael David, et al. "Improved automated detection of diabetic retinopathy on a publicly available dataset through integration of deep learning." Investigative ophthalmology & visual science 57.13 (2016): 5200-5206.
  4. Gargeya, Rishab, and Theodore Leng. "Automated identification of diabetic retinopathy using deep learning." Ophthalmology124.7 (2017): 962-969.
  5. Quellec, Gwenolé, et al. "Deep image mining for diabetic retinopathy screening." Medical image analysis 39 (2017): 178-193.
  6. Schlegl, Thomas, et al. "Fully automated detection and quantification of macular fluid in OCT using deep learning." Ophthalmology 125.4 (2018): 549-558.
  7. Van Grinsven, Mark JJP, et al. "Fast convolutional neural network training using selective data sampling: application to hemorrhage detection in color fundus images." IEEE transactions on medical imaging 35.5 (2016): 1273-1284.
  8. Abbas, Qaisar, et al. "Automatic recognition of severity level for diagnosis of diabetic retinopathy using deep visual features." Medical & biological engineering & computing 55.11 (2017): 1959-1974.
  9. Dutta, Suvajit, et al. "Classification of diabetic retinopathy images by using deep learning models." International Journal of Grid and Distributed Computing 11.1 (2018): 89-106.
  10. Zhang, Defeng, et al. "Automatic localization and segmentation of optical disk based on faster R-CNN and level set in fundus image." Medical Imaging 2018: Image Processing. Vol. 10574. International Society for Optics and Photonics, 2018.
  11. Vijay Kotu, Bala Deshpande, Chapter 10 - Deep Learning, Editor(s): Vijay Kotu, Bala Deshpande, Data Science (Second Edition), Morgan Kaufmann, 2019, Pages 307-342, ISBN 9780128147610. Hebb, D. 0. (1949) The Organization of Behavior (Wiley, New York). Eccles, J. G. (1953) The Neurophysiological Basis of Mind (Clarendon, Oxford). Hopfield, John J. "Neural networks and physical systems with emergent collec