@article{article_1357144, title={Tıbbi Görüntülemede Derin Üretken Modeller : Bir Literatür Taraması}, journal={Politeknik Dergisi}, volume={28}, pages={413–433}, year={2025}, DOI={10.2339/politeknik.1357144}, author={Şener, Begüm}, keywords={Generative adversarial networks, deep learning, medical imaging, data augmentation, deep learning architecture.}, abstract={Derin öğrenme, son yıllarda tıbbi görüntüleme de dahil olmak üzere birçok disiplinde yapılan çok sayıda çalışmada yaygın olarak kullanılmaktadır. GAN’lar (Generative Adversarial Networks), gerçekçi görüntüler üretebilme yeteneklerinden dolayı tıp alanında yaygın olarak kullanılmaya başlanmıştır. Son araştırmalar, tıbbi görüntülerin iyileştirilmesine yönelik üç farklı derin üretken modele odaklanmaktadır ve veri artırmaya yönelik derin öğrenme mimarilerinin bir incelemesi yapılmıştır. Bu makalede GAN’ların alandaki hakimiyeti dikkate alınarak diğer üretken modeller üzerinde durulmaktadır. Çalışmada, yalnızca GAN’lara veya geleneksel veri artırma yöntemlerine odaklanmadan, tıbbi görüntü verisi artırmaya yönelik farklı derin üretken modelleri karşılaştıran bir literatür taraması gerçekleştirilmiştir Değişken otomatik kodlayıcıların aksine, üretken çekişmeli ağlar (GAN’lar), tıbbi görüntü verilerini geliştirmek için en sık kullanılan üretken modeldir. Son araştırmalar, difüzyon modellerinin son yıllarda tıbbi görüntü verisi artırmaya yönelik varyasyonel otomatik kodlayıcılar ve GAN’lara kıyasla daha fazla ilgi gördüğünü göstermiştir. Bu eğilimin, GAN ile ilgili birçok araştırma yönünün daha önce araştırılmış olmasıyla ilişkili olduğu ve bu mimarilerin mevcut uygulamalarını geliştirmeyi daha da zorlaştırdığı düşünülmektedir.}, number={2}, publisher={Gazi University}