ProjeDetayları

Frank işareti AI analizi projesi metodolojisi, teknoloji stack ve performans hedefleri

Metodoloji

Sistematik yaklaşımla planlanmış 4 fazlı araştırma metodolojisi

Faz 1

Veri Toplama ve Etiketleme

1000+ katılımcıdan kulak memesi görüntüleri toplanarak uzman etiketleme yapılması

Süre: 6 ayDevam Ediyor

Ana Görevler:

Etik kurul onayı alınmış hasta verileri
CVAT platformu ile profesyonel etiketleme
Inter-rater reliability (ICC > 0.90) sağlanması
KVKK uyumlu veri işleme protokolleri
Faz 2

Özellik Çıkarımı

Frank işaretinin 5 kritik geometrik özelliğinin kantitatif analizi

Süre: 4 ayDevam Ediyor

Ana Görevler:

Eğrilik (curvature) hesaplama algoritmaları
Uzunluk, kalınlık, derinlik ölçümleri
Anatomik lokalizasyon belirleme
Standardize edilmiş özellik vektörleri
Faz 3

Model Geliştirme

U-Net tabanlı segmentasyon ve XGBoost sınıflandırma modellerinin eğitimi

Süre: 5 ayPlanlandı

Ana Görevler:

U-Net mimarisi ile semantic segmentation
XGBoost/LightGBM ile risk skorlama
Hyperparameter optimization (Optuna)
Cross-validation ile model değerlendirmesi
Faz 4

Doğrulama ve Prototip

Klinik validasyon ve web tabanlı prototip geliştirilmesi

Süre: 3 ayPlanlandı

Ana Görevler:

Prospektif hasta grubu ile doğrulama
KKDS web platformu geliştirmesi
Performans benchmark testleri
Klinik entegrasyon pilot çalışması

Görsel İşleme Akışı

Frank işareti tespit ve analiz sürecinin görsel demonstrasyonu

1
Ham Görüntü

Ham kulak memesi görüntüsü
• JPEG/PNG format
• 1080p+ çözünürlük
• KVKK uyumlu

2
AI Analizi

AI analizli kulak memesi görüntüsü
• Otomatik segmentasyon
• 5 geometrik özellik
• Risk değerlendirmesi

3
XML Çıktı

<annotations>
  <image id="1" name="ear.jpg">
    <polygon label="frank_sign"
      points="432,267;445,289;
      461,315;478,342;489,365">
      <attribute name="curvature">
        0.847
      </attribute>
      <attribute name="length_mm">
        12.3
      </attribute>
      <attribute name="depth_mm">
        2.1
      </attribute>
    </polygon>
  </image>
</annotations>
• CVAT standardize format
• Koordinat verileri
• Research-ready
UploadProcessExport

CVAT Etiketleme

Professional annotation platform ile hassas geometrik etiketleme

U-Net Segmentasyon

Derin öğrenme ile piksel-seviye Frank işareti tespiti

XML/JSON Export

Standardize format ile araştırma entegrasyonu

Performans Metrikleri

2025 medikal AI standartlarına uygun güncel metrikler ve hedefler

cbDice Katsayısı

> 0.85

Center-based Dice coefficient - boundary hassasiyeti için optimize edilmiş metrik

Önem: Küçük anatomik yapılar için geleneksel Dice'dan daha hassas

95% Hausdorff Distance

< 2.5 pixel

En kötü durum boundary hata mesafesi

Önem: Klinik doğruluk için kritik boundary precision kontrolü

Average Surface Distance

< 1.5 pixel

Ortalama yüzey mesafesi hatası

Önem: Genel boundary kalitesinin objektif değerlendirmesi

Frank Class Sensitivity

> 0.90

Klinik Frank işareti tespit hassasiyeti

Önem: Kardiyovasküler risk değerlendirmesi için ana performans kriteri

Teknoloji Stack

En güncel AI/ML teknolojileri ve framework'leri ile geliştirme

Derin Öğrenme

PyTorch 2.0+ ile U-Net implementation
MONAI medical imaging framework
Albumentations veri augmentation
TensorBoard monitoring

Makine Öğrenmesi

XGBoost/LightGBM ensemble methods
Scikit-learn feature engineering
Optuna hyperparameter optimization
SHAP/LIME explainability

Görüntü İşleme

OpenCV advanced image processing
scikit-image morphological operations
NumPy numerical computations
PIL/Pillow image handling

Web Platform

Next.js 14 React framework
FastAPI Python backend
PostgreSQL database
Docker containerization

İş Paketleri

Proje süresince tamamlanacak ana iş paketleri ve teslimatlar

WP1: Veri Toplama ve Etiketleme

Ay 1-6

Teslimatlar:

1000+ annotated görüntü dataset
CVAT etiketleme pipeline
Veri kalitesi raporları
Inter-rater reliability analizi

WP2: Özellik Çıkarımı ve Analiz

Ay 4-8

Teslimatlar:

Geometrik özellik extraction pipeline
Feature importance analizi
Standardize edilmiş ölçüm protokolleri
Benchmark dataset

WP3: AI Model Geliştirme

Ay 6-12

Teslimatlar:

U-Net segmentation modeli
XGBoost sınıflandırma modeli
Model performance raporları
Hyperparameter optimization sonuçları

WP4: Doğrulama ve Prototip

Ay 10-18

Teslimatlar:

Klinik validasyon çalışması
Web tabanlı KKDS prototip
Performance benchmark testleri
Kullanıcı deneyimi raporları

Bilimsel Yaklaşım

Kanıta dayalı, metodolojik olarak sağlam bir araştırma tasarımı

Veri Odaklı

1000+ hasta ile oluşturulan kapsamlı ve çeşitli dataset

Doğrulanmış

Klinik uzmanlar tarafından çoklu doğrulama ve peer review

Ölçülebilir

Objektif metrikler ile kantitatif performans değerlendirmesi