Derleme

Veteriner Görüntülemede Yapay Zekâ Destekli Tespit Sistemlerinin İncelenmesi

Sayı: 2026 1 Mart 2026
PDF İndir
EN TR

Veteriner Görüntülemede Yapay Zekâ Destekli Tespit Sistemlerinin İncelenmesi

Öz

Bilgisayar destekli tespit sistemleri veteriner hekimlikte son zamanlarda yaygınlaşan, klinik tanı doğruluğunu, hızını ve verimliliğini artıran bir yöntemdir. Bilgisayar destekli tespit sistemleri yapay zekâ desteği ile çalışır ve bilgisayar destekli tanı ve bilgisayar destekli tespit yöntemi olarak ikiye ayrılır. Bilgisayar destekli tanı sistemleri hastalık evrelerini sınıflandırma gibi daha kapsamlı bir şekilde çalışırken, bilgisayar destekli tespit sistemleri sadece öğretilen patolojilerin lokalizasyonunu yapar ya da varlığını ve yokluğunu değerlendir. Bilgisayar destekli tanı sistemleri daha kapsamlı veriye ihtiyaç duyduğundan kullanımları daha sınırlıdır. Bilgisayar destekli tespit sistemleri veteriner görüntülemesinde toraks patolojileri, abdomende kitle, vertebral kalp skoru, kalça displazisi, kırık tespiti gibi çeşitli alanlar hakkında geniş bir yorum kapasitesine sahiptir. Ancak özellikle köpeklerde ırk çeşitliliğine bağlı anatomik farklılıklarından dolayı daha kapsamlı ve ırk spesifik verilere ihtiyaç duyulmaktadır. Bilgisayar destekli tespit sistemlerinin tanı doğruluk oranı %65-90 arasında değişmekte olup bu aralık çok geniş bir aralıktır. Bunun temel sebepleri arasında bu sistemler oluşturulurken verilerin etiketlenmesi esnasındaki veri doğruluğunun tartışmalı olması, veri büyüklüğü ve kalitesi, test ve eğitim verilerinin farklı olması ve verilerin içerdiği patoloji oranları yer alır. Günümüzde tek başına standart bir yöntem olarak değerlendirilmese de ikinci bir görüş olarak kabul almıştır. Bilgisayar destekli tespit sistemlerinin uzman radyologların yerini alabileceği düşünülmese de zamanla uzman radyologlara olan ihtiyacın azalacağı öngörülmektedir.

Anahtar Kelimeler

Bilgisayar destekli tanı , Bilgisayar destekli tespit , Yapay zekâ

Kaynakça

  1. Arsomngern, P., Numcharoenpinij, N., Piriyataravet, J., Teerapan, W., Hinthong, W., & Phunchongharn, P. (2019). Computer-aided diagnosis for lung lesion in companion animals from x-ray images using deep learning techniques. 2019 IEEE 10th International Conference on Awareness Science and Technology (iCAST), 23-25 October 2019, Morioka, Japan. https://doi.org/10.1109/ICAwST.2019.8923126
  2. Banzato, T., Fiore, E., Morgante, M., Manuali, E., & Zotti, A. (2016). Texture analysis of B-mode ultrasound images to stage hepatic lipidosis in the dairy cow: a methodological study. Research in Veterinary Science, 108, 71-75. https://doi.org/10.1016/j.rvsc.2016.08.007
  3. Berbaum, K.S., Franken Jr, E.A., Dorfman, D.D., Rooholamini, S.A., Kathol, M.H., Barloon, T.J., Behlke, F.M., Sato, Y., Lu, C.H., & El- Khoury, G.Y. (1990). Satisfaction of search in diagnostic radiology. Investigative radiology, 25(2), 133-140.
  4. Castellino, R.A. (2005). Computer aided detection (CAD): an overview. Cancer Imaging, 5(1), 17. https://doi.org/10.1102/1470-7330.2005.0018
  5. Chartrand, G., Cheng, P.M., Vorontsov, E., Drozdzal, M., Turcotte, S., Pal, C.J., Kadoury, S., & Tang, A. (2017). Deep learning: a primer for radiologists. Radiographics, 37(7), 2113-2131. https://doi.org/10.1148/rg.2017170077
  6. Chu, X., Ilyas, I.F., Krishnan, S., & Wang, J. (2016). Data cleaning: Overview and emerging challenges. Proceedings of the 2016 international conference on management of data, SIGMOD/PODS’16: International Conference on Management of Data, 26 June - 1 July 2016, San Francisco-California, USA. https://doi.org/10.1145/2882903.2912574
  7. Cohen, J., Fischetti, A.J., & Daverio, H. (2023). Veterinary radiologic error rate as determined by necropsy. Veterinary Radiology & Ultrasound, 64(4), 573-584. https://doi.org/10.1111/vru.13259
  8. Degnan, A.J., Ghobadi, E.H., Hardy, P., Krupinski, E., Scali, E.P., Stratchko, L., Ulano, A., Walker, E., Wasnik, A.P., & Auffermann, W.F. (2019). Perceptual and interpretive error in diagnostic radiology-causes and potential solutions. Academic radiology, 26(6), 833-845. https://doi.org/10.1016/j.acra.2018.11.006
  9. ELKhamary, A.N., Keenihan, E.K., Schnabel, L.V., Redding, W.R., & Schumacher, J. (2022). Leveraging MRI characterization of longitudinal tears of the deep digital flexor tendon in horses using machine learning. Veterinary Radiology & Ultrasound, 63(5), 580-592. https://doi.org/10.1111/vru.13090
  10. England, J.R., & Cheng, P.M. (2019). Artificial intelligence for medical image analysis: a guide for authors and reviewers. American journal of roentgenology, 212(3), 513-519. https://doi.org/10.2214/AJR.18.20490

Kaynak Göster

APA
Özcan, M. S., & İnal, K. S. (2026). Veteriner Görüntülemede Yapay Zekâ Destekli Tespit Sistemlerinin İncelenmesi. Journal of Anatolian Environmental and Animal Sciences, 2026. https://doi.org/10.35229/jaes.1809339