Öz
Serebral anevrizmalar, yaşamı tehdit eden önemli serebrovasküler hastalıklardır ve erken tanı ve tedavi için Bilgisayarlı Tomografi Anjiyografisi’nin (BTA) doğru yorumlanması kritik öneme sahiptir. Bu çalışma, 1211 BTA görüntüsüne 15 farklı Evrişimli Sinir Ağı (ESA) uygulanarak, derin öğrenmenin radyolog kaynaklı yorumlama hatalarını azaltmadaki etkinliğini değerlendirmektedir. Sınıflandırma öncesinde görüntülere çeşitli önişleme ve filtreleme işlemleri uygulanmış ve karşılaştırmalı performans metrikleri elde edilmiştir. En iyi sonuç, literatürde şimdiye kadar bildirilen en yüksek doğruluk oranı olan %99,72 ile yumuşatma filtresi uygulanmış görüntü veri setinde VGG19 mimarisi kullanılarak elde edilmiştir. VGG19 test setinde model çıktıları 272 gerçek negatif (tn), 1 yanlış negatif (fn), 0 yanlış pozitif (fp) ve 90 gerçek pozitiften (tp) oluşmuştur. Bu bulgular, uygun görüntü önişleme ve filtreleme adımlarının, CNN tabanlı anevrizma tespit performansını anlamlı ölçüde artırdığını ve sınıflandırma doğruluğunu iyileştirmede kritik bir rol oynadığını göstermektedir.
Anahtar Kelimeler
Kaynakça
- Kaya V. Anterior Kommunikan Arter Ve Anterior Kommunikan Arter İle İlişkili Anterior Sistem Anevrizmalarında ‘“Morfolojik Ve Hemodinamik Faktörlerin”’ Anevrizma Rüptürü İle İlişkisi. İnönü, 2018.
- Lawton MT, Vates GE. Subarachnoid Hemorrhage. N Engl J Med 2017;377:257–66. https://doi.org/10.1056/NEJMcp1605827.
- Jin H, Yin Y, Hu M, Yang G, Qin L. Fully automated unruptured intracranial aneurysm detection and segmentation from digital subtraction angiography series using an end-to-end spatiotemporal deep neural network, 2019. https://doi.org/10.1117/12.2512623.
- Dai X, Huang L, Qian Y, Xia S, Chong W, Liu J, et al. Deep learning for automated cerebral aneurysm detection on computed tomography images. Int J Comput Assist Radiol Surg 2020. https://doi.org/10.1007/s11548-020-02121-2.
- Gu F, Wu X, Wu W, Wang Z, Yang X, Chen Z, et al. Performance of deep learning in the detection of intracranial aneurysm: A systematic review and meta-analysis. Eur J Radiol 2022;155:110457. https://doi.org/10.1016/j.ejrad.2022.110457.
- Heit JJ, Honce JM, Yedavalli VS, Baccin CE, Tatit RT, Copeland K, et al. RAPID Aneurysm: Artificial intelligence for unruptured cerebral aneurysm detection on CT angiography. J Stroke Cerebrovasc Dis 2022;31:106690. https://doi.org/10.1016/j.jstrokecerebrovasdis.2022.106690.
- Buchlak QD, Milne MR, Seah J, Johnson A, Samarasinghe G, Hachey B, et al. Charting the potential of brain computed tomography deep learning systems. J Clin Neurosci 2022. https://doi.org/10.1016/j.jocn.2022.03.014.
- Wei X, Jiang J, Cao W, Yu H, Deng H, Chen J, et al. Artificial intelligence assistance improves the accuracy and efficiency of intracranial aneurysm detection with CT angiography. Eur J Radiol 2022;149:110169. https://doi.org/10.1016/j.ejrad.2022.110169.
- Wang J, Ti L, Sun X, Yang R, Zhang N, Sun K. DSA Image Analysis of Clinical Features and Nursing Care of Cerebral Aneurysm Patients Based on the Deep Learning Algorithm. Scanning 2022;2022:1–6. https://doi.org/10.1155/2022/8485651.
- Tasci B, Tasci I. Deep feature extraction based brain image classification model using preprocessed images: PDRNet. Biomed Signal Process Control 2022;78:103948. https://doi.org/10.1016/j.bspc.2022.103948.
- Lehnen NC, Haase R, Schmeel FC, Vatter H, Dorn F, Radbruch A, et al. Automated Detection of Cerebral Aneurysms on TOF-MRA Using a Deep Learning Approach: An External Validation Study. Am J Neuroradiol 2022;43:1700–5. https://doi.org/10.3174/ajnr.A7695.
- [12] Shi Z, Miao C, Schoepf UJ, Savage RH, Dargis DM, Pan C, et al. A clinically applicable deep-learning model for detecting intracranial aneurysm in computed tomography angiography images. Nat Commun 2020;11:6090. https://doi.org/10.1038/s41467-020-19527-w.
- Terasaki Y, Yokota H, Tashiro K, Maejima T, Takeuchi T, Kurosawa R, et al. Multidimensional Deep Learning Reduces False-Positives in the Automated Detection of Cerebral Aneurysms on Time-Of-Flight Magnetic Resonance Angiography: A Multi-Center Study. Front Neurol 2022;12. https://doi.org/10.3389/fneur.2021.742126.
- Chen G, Meng C, Ruoyu D, Dongdong W, Liqin Y, Wei X, et al. An automatic detection method of cerebral aneurysms in time-of-flight magnetic resonance angiography images based on attention 3D U-Net. Comput Methods Programs Biomed 2022;225:106998. https://doi.org/10.1016/j.cmpb.2022.106998.
- Chen G, Yifang B, Jiajun Z, Dongdong W, Zhiyong Z, Ruoyu D, et al. Automated unruptured cerebral aneurysms detection in TOF MR angiography images using dual-channel SE-3D UNet: a multi-center research. Eur Radiol 2023. https://doi.org/10.1007/s00330-022-09385-z.
- Stember JN, Chang P, Stember DM, Liu M, Grinband J, Filippi CG, et al. Convolutional Neural Networks for the Detection and Measurement of Cerebral Aneurysms on Magnetic Resonance Angiography. J Digit Imaging 2019;32:808–15. https://doi.org/10.1007/s10278-018-0162-z.
- Di Noto T, Marie G, Tourbier S, Alemán-Gómez Y, Saliou G, Bach Cuadra M, et al. An Anatomically-Informed 3D CNN for Brain Aneurysm Classification with Weak Labels, 2020, p. 56–66. https://doi.org/10.1007/978-3-030-66843-3_6.
- Tasci B. Automated ischemic acute infarction detection using pre-trained CNN models’ deep features. Biomed Signal Process Control 2023;82:104603. https://doi.org/10.1016/j.bspc.2023.104603.
- Nakao T, Hanaoka S, Nomura Y, Sato I, Nemoto M, Miki S, et al. Deep neural network‐based computer‐assisted detection of cerebral aneurysms in MR angiography. J Magn Reson Imaging 2018;47:948–53. https://doi.org/10.1002/jmri.25842.
- Heit JJ, Honce JM, Yedavalli VS, Baccin CE, Tatit RT, Copeland K, et al. RAPID Aneurysm: Artificial intelligence for unruptured cerebral aneurysm detection on CT angiography. J Stroke Cerebrovasc Dis 2022. https://doi.org/10.1016/j.jstrokecerebrovasdis.2022.106690.
- Suwalska A, Siuda J, Kocot S, Zmuda W, Rudzinska-Bar M, Polanska J. Activation maps of convolutional neural networks as a tool for brain degeneration tracking in early diagnosis of dementia in Parkinson’s disease based on magnetic resonance imaging. Signal, Image Video Process 2023;17:4115–21. https://doi.org/10.1007/s11760-023-02643-7.
- Kutan F, Aynur Ö. Gürültü Filtreleme Uygulamalarının Medikal Görüntüler Üzerindeki Performanslarının Değerlendirilmesi. Eur J Sci Technol 2020:265–71. https://doi.org/10.31590/ejosat.779957.
- Meng C, Yang D, Chen D. Cerebral aneurysm image segmentation based on multi-modal convolutional neural network. Comput Methods Programs Biomed 2021;208:106285. https://doi.org/10.1016/j.cmpb.2021.106285.
- Öziç MÜ, Özşen S. Üç Boyutlu T1 Ağırlıklı Manyetik Rezonans Görüntülerinde Ön İşleme Yöntemleri. Eur J Sci Technol 2020:227–40. https://doi.org/10.31590/ejosat.719062.
- Shi Z, Miao C, Schoepf UJ, Savage RH, Dargis DM, Pan C, et al. A clinically applicable deep-learning model for detecting intracranial aneurysm in computed tomography angiography images. Nat Commun 2020. https://doi.org/10.1038/s41467-020-19527-w.
- Qiu J, Tan G, Lin Y, Guan J, Dai Z, Wang F, et al. Automated detection of intracranial artery stenosis and occlusion in magnetic resonance angiography: A preliminary study based on deep learning. Magn Reson Imaging 2022;94:105–11. https://doi.org/10.1016/j.mri.2022.09.006.
- Liao J, Liu L, Duan H, Huang Y, Zhou L, Chen L, et al. Using a Convolutional Neural Network and Convolutional Long Short-term Memory to Automatically Detect Aneurysms on 2D Digital Subtraction Angiography Images: Framework Development and Validation. JMIR Med Informatics 2022;10:e28880. https://doi.org/10.2196/28880.
- Vidhya SRS, Arunachalam AR. Automated Detection of False positives and false negatives in Cerebral Aneurysms from MR Angiography Images by Deep Learning Methods. 2021 Int. Conf. Syst. Comput. Autom. Netw., IEEE; 2021, p. 1–4. https://doi.org/10.1109/ICSCAN53069.2021.9526520.
- Lei X, Yang Y. Deep Learning-Based Magnetic Resonance Imaging in Diagnosis and Treatment of Intracranial Aneurysm. Comput Math Methods Med 2022. https://doi.org/10.1155/2022/1683475.
- Su R, van der Sluijs M, Cornelissen SAP, Lycklama G, Hofmeijer J, Majoie CBLM, et al. Spatio-temporal deep learning for automatic detection of intracranial vessel perforation in digital subtraction angiography during endovascular thrombectomy. Med Image Anal 2022. https://doi.org/10.1016/j.media.2022.102377.
- Mei Y jia, Hu R ting, Lin J, Xu H yu, Wu L ya, Li H peng, et al. Diagnosis of Middle Cerebral Artery Stenosis Using Transcranial Doppler Images Based on Convolutional Neural Network. World Neurosurg 2022. https://doi.org/10.1016/j.wneu.2022.01.068.
- Dai X, Huang L, Qian Y, Xia S, Chong W, Liu J, et al. Deep learning for automated cerebral aneurysm detection on computed tomography images. Int J Comput Assist Radiol Surg 2020;15:715–23. https://doi.org/10.1007/s11548-020-02121-2.
- Ueda D, Yamamoto A, Nishimori M, Shimono T, Doishita S, Shimazaki A, et al. Deep learning for MR angiography: Automated detection of cerebral aneurysms. Radiology 2019. https://doi.org/10.1148/radiol.2018180901.
- Rahman AI, Bhuiyan S, Reza ZH, Zaheen J, Khan TAN, Karim DZ. Intracranial Hemorrhage Detection on CT Scan Images using Transfer Learning Approach of Convolutional Neural Network. ACM Int. Conf. Proceeding Ser., 2022. https://doi.org/10.1145/3542954.3542980.
- Ou C, Qian Y, Chong W, Hou X, Zhang M, Zhang X, et al. A deep learning–based automatic system for intracranial aneurysms diagnosis on three‐dimensional digital subtraction angiographic images. Med Phys 2022. https://doi.org/10.1002/mp.15846.
- Ivantsits M, Goubergrits L, Kuhnigk JM, Huellebrand M, Bruening J, Kossen T, et al. Detection and analysis of cerebral aneurysms based on X-ray rotational angiography - the CADA 2020 challenge. Med Image Anal 2022. https://doi.org/10.1016/j.media.2021.102333.
- Sathish Kumar L, Hariharasitaraman S, Narayanasamy K, Thinakaran K, Mahalakshmi J, Pandimurugan V. AlexNet approach for early stage Alzheimer’s disease detection from MRI brain images. Mater. Today Proc., 2021. https://doi.org/10.1016/j.matpr.2021.04.415.
- Di Noto T, Marie G, Tourbier S, Alemán-Gómez Y, Esteban O, Saliou G, et al. Towards Automated Brain Aneurysm Detection in TOF-MRA: Open Data, Weak Labels, and Anatomical Knowledge. Neuroinformatics 2022. https://doi.org/10.1007/s12021-022-09597-0.
- Guzmán Ortiz S, Hurtado Ortiz R, Jara Gavilanes A, Ávila Faican R, Parra Zambrano B. A serial image analysis architecture with positron emission tomography using machine learning combined for the detection of lung cancer. Rev Española Med Nucl e Imagen Mol (English Ed 2024;43:500003. https://doi.org/10.1016/j.remnie.2024.500003.
- Özmen T, Kuzu Ü, Koçyiğit Y, Sarnel H. Early stage diabetes prediction by features selection with metaheuristic methods. Pamukkale Univ J Eng Sci 2023;29:596–606. https://doi.org/10.5505/pajes.2022.82610.
- Karahan T, Nabiyev V. Plant identification with convolutional neural networks and transfer learning. Pamukkale Univ J Eng Sci 2021;27:638–45. https://doi.org/10.5505/pajes.2020.84042.
- Alakuş TB, Türkoğlu İ. Prediction of human protein functions with protein mapping techniques and deep learning model. Pamukkale Univ J Eng Sci 2022;28:255–65. https://doi.org/10.5505/pajes.2021.51261.
- Sez E, Üncü Ya, Yardımcı A. Prematüre Retina Kan Damarlarının Tespitinde Farklı Görüntü İşleme Yöntemlerinin Performanslarının Karşılaştırılması. Süleyman Demirel Üniversitesi Fen Edeb Fakültesi Fen Derg 2023;18:62–75. https://doi.org/10.29233/sdufeffd.1220516.
- Wu F, Zhu C, Xu J, Bhatt MW, Sharma A. Research on image text recognition based on canny edge detection algorithm and k-means algorithm. Int J Syst Assur Eng Manag 2022;13:72–80. https://doi.org/10.1007/s13198-021-01262-0.
- Gupta IK, Choubey A, Choubey S. Artifical intelligence with optimal deep learning enabled automated retinal fundus image classification model. Expert Syst 2022;39. https://doi.org/10.1111/exsy.13028.
- Uzun Y, Boyacıgil M. Raspberry PI Tabanlı Görüntü İşleme Uygulaması Geliştirilmesi. Osmaniye Korkut Ata Üniversitesi Fen Bilim Enstitüsü Derg 2023;6(2):1067–78.
- A S RA, Gopalan S. Comparative Analysis of Eight Direction Sobel Edge Detection Algorithm for Brain Tumor MRI Images. Procedia Comput Sci 2022;201:487–94. https://doi.org/10.1016/j.procs.2022.03.063.
- Padlia M, Sharma J. Fractional Sobel Filter Based Brain Tumor Detection and Segmentation Using Statistical Features and SVM, 2019, p. 161–75. https://doi.org/10.1007/978-981-13-0776-8_15.
- Bilal Macit H, Koyun A. An Active Image Forgery Detection Approach Based on Edge Detection. Comput Mater Contin 2023;75:1603–19. https://doi.org/10.32604/cmc.2023.036216.
- Gurkan C, Kozalioglu S, Palandoken M. Real Time Mask Detection, Social Distance and Crowd Analysis using Convolutional Neural Networks and YOLO Architecture Designs. Acad Perspect Procedia 2021;4:195–204. https://doi.org/10.33793/acperpro.04.01.29.
Öz
Cerebral aneurysms are a major, life threatening cerebrovascular disease, and accurate interpretation of Computed Tomography Angiography (CTA) is critical for early diagnosis and treatment. This study evaluates the effectiveness of deep learning in reducing radiologist related interpretation errors by applying 15 different Convolutional Neural Networks (CNNs) to 1,211 CTA images. Prior to classification, images underwent various preprocessing and filtering operations, and comparative performance metrics were obtained. The best result, representing the highest accuracy reported to date of 99.72%, was achieved with a smoothing filtered image dataset using the VGG19 architecture. In the VGG19 test set, model outputs consisted of 272 true negatives (tn), 1 false negative (fn), 0 false positives (fp), and 90 true positives (tp). These findings demonstrate that appropriate image preprocessing and filtering significantly enhance CNN based aneurysm detection performance and play a crucial role in improving classification accuracy.
Anahtar Kelimeler
Artificial Intelligence Cerebral Aneurysm Image Filtering CTA-Scan
Etik Beyan
This research was approved on ethical grounds by the Non-Interventional Research Ethics Committee, Firat University Ethics Board, on 17 September 2020 (2020/12–04). “There is no conflict of interest with any person/institution in the article prepared”.
Destekleyen Kurum
Fırat University
Kaynakça
- Kaya V. Anterior Kommunikan Arter Ve Anterior Kommunikan Arter İle İlişkili Anterior Sistem Anevrizmalarında ‘“Morfolojik Ve Hemodinamik Faktörlerin”’ Anevrizma Rüptürü İle İlişkisi. İnönü, 2018.
- Lawton MT, Vates GE. Subarachnoid Hemorrhage. N Engl J Med 2017;377:257–66. https://doi.org/10.1056/NEJMcp1605827.
- Jin H, Yin Y, Hu M, Yang G, Qin L. Fully automated unruptured intracranial aneurysm detection and segmentation from digital subtraction angiography series using an end-to-end spatiotemporal deep neural network, 2019. https://doi.org/10.1117/12.2512623.
- Dai X, Huang L, Qian Y, Xia S, Chong W, Liu J, et al. Deep learning for automated cerebral aneurysm detection on computed tomography images. Int J Comput Assist Radiol Surg 2020. https://doi.org/10.1007/s11548-020-02121-2.
- Gu F, Wu X, Wu W, Wang Z, Yang X, Chen Z, et al. Performance of deep learning in the detection of intracranial aneurysm: A systematic review and meta-analysis. Eur J Radiol 2022;155:110457. https://doi.org/10.1016/j.ejrad.2022.110457.
- Heit JJ, Honce JM, Yedavalli VS, Baccin CE, Tatit RT, Copeland K, et al. RAPID Aneurysm: Artificial intelligence for unruptured cerebral aneurysm detection on CT angiography. J Stroke Cerebrovasc Dis 2022;31:106690. https://doi.org/10.1016/j.jstrokecerebrovasdis.2022.106690.
- Buchlak QD, Milne MR, Seah J, Johnson A, Samarasinghe G, Hachey B, et al. Charting the potential of brain computed tomography deep learning systems. J Clin Neurosci 2022. https://doi.org/10.1016/j.jocn.2022.03.014.
- Wei X, Jiang J, Cao W, Yu H, Deng H, Chen J, et al. Artificial intelligence assistance improves the accuracy and efficiency of intracranial aneurysm detection with CT angiography. Eur J Radiol 2022;149:110169. https://doi.org/10.1016/j.ejrad.2022.110169.
- Wang J, Ti L, Sun X, Yang R, Zhang N, Sun K. DSA Image Analysis of Clinical Features and Nursing Care of Cerebral Aneurysm Patients Based on the Deep Learning Algorithm. Scanning 2022;2022:1–6. https://doi.org/10.1155/2022/8485651.
- Tasci B, Tasci I. Deep feature extraction based brain image classification model using preprocessed images: PDRNet. Biomed Signal Process Control 2022;78:103948. https://doi.org/10.1016/j.bspc.2022.103948.
- Lehnen NC, Haase R, Schmeel FC, Vatter H, Dorn F, Radbruch A, et al. Automated Detection of Cerebral Aneurysms on TOF-MRA Using a Deep Learning Approach: An External Validation Study. Am J Neuroradiol 2022;43:1700–5. https://doi.org/10.3174/ajnr.A7695.
- [12] Shi Z, Miao C, Schoepf UJ, Savage RH, Dargis DM, Pan C, et al. A clinically applicable deep-learning model for detecting intracranial aneurysm in computed tomography angiography images. Nat Commun 2020;11:6090. https://doi.org/10.1038/s41467-020-19527-w.
- Terasaki Y, Yokota H, Tashiro K, Maejima T, Takeuchi T, Kurosawa R, et al. Multidimensional Deep Learning Reduces False-Positives in the Automated Detection of Cerebral Aneurysms on Time-Of-Flight Magnetic Resonance Angiography: A Multi-Center Study. Front Neurol 2022;12. https://doi.org/10.3389/fneur.2021.742126.
- Chen G, Meng C, Ruoyu D, Dongdong W, Liqin Y, Wei X, et al. An automatic detection method of cerebral aneurysms in time-of-flight magnetic resonance angiography images based on attention 3D U-Net. Comput Methods Programs Biomed 2022;225:106998. https://doi.org/10.1016/j.cmpb.2022.106998.
- Chen G, Yifang B, Jiajun Z, Dongdong W, Zhiyong Z, Ruoyu D, et al. Automated unruptured cerebral aneurysms detection in TOF MR angiography images using dual-channel SE-3D UNet: a multi-center research. Eur Radiol 2023. https://doi.org/10.1007/s00330-022-09385-z.
- Stember JN, Chang P, Stember DM, Liu M, Grinband J, Filippi CG, et al. Convolutional Neural Networks for the Detection and Measurement of Cerebral Aneurysms on Magnetic Resonance Angiography. J Digit Imaging 2019;32:808–15. https://doi.org/10.1007/s10278-018-0162-z.
- Di Noto T, Marie G, Tourbier S, Alemán-Gómez Y, Saliou G, Bach Cuadra M, et al. An Anatomically-Informed 3D CNN for Brain Aneurysm Classification with Weak Labels, 2020, p. 56–66. https://doi.org/10.1007/978-3-030-66843-3_6.
- Tasci B. Automated ischemic acute infarction detection using pre-trained CNN models’ deep features. Biomed Signal Process Control 2023;82:104603. https://doi.org/10.1016/j.bspc.2023.104603.
- Nakao T, Hanaoka S, Nomura Y, Sato I, Nemoto M, Miki S, et al. Deep neural network‐based computer‐assisted detection of cerebral aneurysms in MR angiography. J Magn Reson Imaging 2018;47:948–53. https://doi.org/10.1002/jmri.25842.
- Heit JJ, Honce JM, Yedavalli VS, Baccin CE, Tatit RT, Copeland K, et al. RAPID Aneurysm: Artificial intelligence for unruptured cerebral aneurysm detection on CT angiography. J Stroke Cerebrovasc Dis 2022. https://doi.org/10.1016/j.jstrokecerebrovasdis.2022.106690.
- Suwalska A, Siuda J, Kocot S, Zmuda W, Rudzinska-Bar M, Polanska J. Activation maps of convolutional neural networks as a tool for brain degeneration tracking in early diagnosis of dementia in Parkinson’s disease based on magnetic resonance imaging. Signal, Image Video Process 2023;17:4115–21. https://doi.org/10.1007/s11760-023-02643-7.
- Kutan F, Aynur Ö. Gürültü Filtreleme Uygulamalarının Medikal Görüntüler Üzerindeki Performanslarının Değerlendirilmesi. Eur J Sci Technol 2020:265–71. https://doi.org/10.31590/ejosat.779957.
- Meng C, Yang D, Chen D. Cerebral aneurysm image segmentation based on multi-modal convolutional neural network. Comput Methods Programs Biomed 2021;208:106285. https://doi.org/10.1016/j.cmpb.2021.106285.
- Öziç MÜ, Özşen S. Üç Boyutlu T1 Ağırlıklı Manyetik Rezonans Görüntülerinde Ön İşleme Yöntemleri. Eur J Sci Technol 2020:227–40. https://doi.org/10.31590/ejosat.719062.
- Shi Z, Miao C, Schoepf UJ, Savage RH, Dargis DM, Pan C, et al. A clinically applicable deep-learning model for detecting intracranial aneurysm in computed tomography angiography images. Nat Commun 2020. https://doi.org/10.1038/s41467-020-19527-w.
- Qiu J, Tan G, Lin Y, Guan J, Dai Z, Wang F, et al. Automated detection of intracranial artery stenosis and occlusion in magnetic resonance angiography: A preliminary study based on deep learning. Magn Reson Imaging 2022;94:105–11. https://doi.org/10.1016/j.mri.2022.09.006.
- Liao J, Liu L, Duan H, Huang Y, Zhou L, Chen L, et al. Using a Convolutional Neural Network and Convolutional Long Short-term Memory to Automatically Detect Aneurysms on 2D Digital Subtraction Angiography Images: Framework Development and Validation. JMIR Med Informatics 2022;10:e28880. https://doi.org/10.2196/28880.
- Vidhya SRS, Arunachalam AR. Automated Detection of False positives and false negatives in Cerebral Aneurysms from MR Angiography Images by Deep Learning Methods. 2021 Int. Conf. Syst. Comput. Autom. Netw., IEEE; 2021, p. 1–4. https://doi.org/10.1109/ICSCAN53069.2021.9526520.
- Lei X, Yang Y. Deep Learning-Based Magnetic Resonance Imaging in Diagnosis and Treatment of Intracranial Aneurysm. Comput Math Methods Med 2022. https://doi.org/10.1155/2022/1683475.
- Su R, van der Sluijs M, Cornelissen SAP, Lycklama G, Hofmeijer J, Majoie CBLM, et al. Spatio-temporal deep learning for automatic detection of intracranial vessel perforation in digital subtraction angiography during endovascular thrombectomy. Med Image Anal 2022. https://doi.org/10.1016/j.media.2022.102377.
- Mei Y jia, Hu R ting, Lin J, Xu H yu, Wu L ya, Li H peng, et al. Diagnosis of Middle Cerebral Artery Stenosis Using Transcranial Doppler Images Based on Convolutional Neural Network. World Neurosurg 2022. https://doi.org/10.1016/j.wneu.2022.01.068.
- Dai X, Huang L, Qian Y, Xia S, Chong W, Liu J, et al. Deep learning for automated cerebral aneurysm detection on computed tomography images. Int J Comput Assist Radiol Surg 2020;15:715–23. https://doi.org/10.1007/s11548-020-02121-2.
- Ueda D, Yamamoto A, Nishimori M, Shimono T, Doishita S, Shimazaki A, et al. Deep learning for MR angiography: Automated detection of cerebral aneurysms. Radiology 2019. https://doi.org/10.1148/radiol.2018180901.
- Rahman AI, Bhuiyan S, Reza ZH, Zaheen J, Khan TAN, Karim DZ. Intracranial Hemorrhage Detection on CT Scan Images using Transfer Learning Approach of Convolutional Neural Network. ACM Int. Conf. Proceeding Ser., 2022. https://doi.org/10.1145/3542954.3542980.
- Ou C, Qian Y, Chong W, Hou X, Zhang M, Zhang X, et al. A deep learning–based automatic system for intracranial aneurysms diagnosis on three‐dimensional digital subtraction angiographic images. Med Phys 2022. https://doi.org/10.1002/mp.15846.
- Ivantsits M, Goubergrits L, Kuhnigk JM, Huellebrand M, Bruening J, Kossen T, et al. Detection and analysis of cerebral aneurysms based on X-ray rotational angiography - the CADA 2020 challenge. Med Image Anal 2022. https://doi.org/10.1016/j.media.2021.102333.
- Sathish Kumar L, Hariharasitaraman S, Narayanasamy K, Thinakaran K, Mahalakshmi J, Pandimurugan V. AlexNet approach for early stage Alzheimer’s disease detection from MRI brain images. Mater. Today Proc., 2021. https://doi.org/10.1016/j.matpr.2021.04.415.
- Di Noto T, Marie G, Tourbier S, Alemán-Gómez Y, Esteban O, Saliou G, et al. Towards Automated Brain Aneurysm Detection in TOF-MRA: Open Data, Weak Labels, and Anatomical Knowledge. Neuroinformatics 2022. https://doi.org/10.1007/s12021-022-09597-0.
- Guzmán Ortiz S, Hurtado Ortiz R, Jara Gavilanes A, Ávila Faican R, Parra Zambrano B. A serial image analysis architecture with positron emission tomography using machine learning combined for the detection of lung cancer. Rev Española Med Nucl e Imagen Mol (English Ed 2024;43:500003. https://doi.org/10.1016/j.remnie.2024.500003.
- Özmen T, Kuzu Ü, Koçyiğit Y, Sarnel H. Early stage diabetes prediction by features selection with metaheuristic methods. Pamukkale Univ J Eng Sci 2023;29:596–606. https://doi.org/10.5505/pajes.2022.82610.
- Karahan T, Nabiyev V. Plant identification with convolutional neural networks and transfer learning. Pamukkale Univ J Eng Sci 2021;27:638–45. https://doi.org/10.5505/pajes.2020.84042.
- Alakuş TB, Türkoğlu İ. Prediction of human protein functions with protein mapping techniques and deep learning model. Pamukkale Univ J Eng Sci 2022;28:255–65. https://doi.org/10.5505/pajes.2021.51261.
- Sez E, Üncü Ya, Yardımcı A. Prematüre Retina Kan Damarlarının Tespitinde Farklı Görüntü İşleme Yöntemlerinin Performanslarının Karşılaştırılması. Süleyman Demirel Üniversitesi Fen Edeb Fakültesi Fen Derg 2023;18:62–75. https://doi.org/10.29233/sdufeffd.1220516.
- Wu F, Zhu C, Xu J, Bhatt MW, Sharma A. Research on image text recognition based on canny edge detection algorithm and k-means algorithm. Int J Syst Assur Eng Manag 2022;13:72–80. https://doi.org/10.1007/s13198-021-01262-0.
- Gupta IK, Choubey A, Choubey S. Artifical intelligence with optimal deep learning enabled automated retinal fundus image classification model. Expert Syst 2022;39. https://doi.org/10.1111/exsy.13028.
- Uzun Y, Boyacıgil M. Raspberry PI Tabanlı Görüntü İşleme Uygulaması Geliştirilmesi. Osmaniye Korkut Ata Üniversitesi Fen Bilim Enstitüsü Derg 2023;6(2):1067–78.
- A S RA, Gopalan S. Comparative Analysis of Eight Direction Sobel Edge Detection Algorithm for Brain Tumor MRI Images. Procedia Comput Sci 2022;201:487–94. https://doi.org/10.1016/j.procs.2022.03.063.
- Padlia M, Sharma J. Fractional Sobel Filter Based Brain Tumor Detection and Segmentation Using Statistical Features and SVM, 2019, p. 161–75. https://doi.org/10.1007/978-981-13-0776-8_15.
- Bilal Macit H, Koyun A. An Active Image Forgery Detection Approach Based on Edge Detection. Comput Mater Contin 2023;75:1603–19. https://doi.org/10.32604/cmc.2023.036216.
- Gurkan C, Kozalioglu S, Palandoken M. Real Time Mask Detection, Social Distance and Crowd Analysis using Convolutional Neural Networks and YOLO Architecture Designs. Acad Perspect Procedia 2021;4:195–204. https://doi.org/10.33793/acperpro.04.01.29.
Ayrıntılar
| Birincil Dil | İngilizce |
|---|---|
| Konular | Bilgi Sistemleri (Diğer) |
| Bölüm | Araştırma Makalesi |
| Yazarlar | |
| Gönderilme Tarihi | 29 Nisan 2025 |
| Kabul Tarihi | 30 Haziran 2025 |
| Erken Görünüm Tarihi | 24 Aralık 2025 |
| Yayımlanma Tarihi | 24 Aralık 2025 |
| Yayımlandığı Sayı | Yıl 2025 Cilt: 13 Sayı: 2 |
Kaynak Göster
Amaç ve Kapsam
Amaç
Muş Alparslan Üniversitesi Fen Bilimler Dergisi, temel bilimler, mühendislik bilimleri, çevre ve enerji alanlarında ulusal ve uluslararası düzeyde yapılan bilimsel nitelikli ve özgün çalışmaları bilimsel bir yaklaşımla ele almak amacıyla yayımlanan uluslararası hakemli bir dergidir. Muş Alparslan Üniversitesi Fen Bilimler Dergisinin temel amacı uluslararası alanda bilim ve teknolojideki yenilikler ve gelişmeler, güncel ortaya konulan bilimsel çalışmalar, tespit edilen sorunların ve çözüm önerilerinin tartışıldığı özgün ve nitelikli makaleler yayınlanan bilimsel bir dergi olmaktır. Ayrıca Muş Alparslan Üniversitesi Fen Bilimler Dergisi, yükseköğretim kurumlarında görev alan akademisyenler, lisansüstü öğrenciler, sanayi ve endüstride çalışan kişilerin akademik ve mesleki gelişimlerine katkı sağlayan bilimsel, nitelikli akademik çalışmaların yaygınlaştırılmasına hizmet etmeyi hedeflenmektedir.
Kapsam
Muş Alparslan Üniversitesi Fen Bilimler Dergisi; temel bilimleri, tarım ve uygulamalı bilimleri, doğa bilimleri ve mühendislik alanları ile alakalı konularda özgün ve nitelikli bilimsel çalışmaları kapsamaktadır. Dergide, yukarıda belirtilen alanlarda yapılmış deneysel ve teorik ilerlemeleri içeren bilimsel ve özgün araştırma makalesi türündeki bilimsel çalışmalara ve güncel içerikli derlemelere yer verilmektedir. Dergide yayımlanan tüm makalelere DOI numarası atanmakta ve yayımlanan makaleler için herhangi bir ücret talep edilmemektedir. Muş Alparslan Üniversitesi Fen Bilimler Dergisinde yayımlanan yazıların bilimsel ve hukukî sorumluluğu, yazarlarına aittir. Yayımlanan yazıların bütün yayın hakları Muş Alparslan Üniversitesi’ne ait olup yayın, yayıncının izni olmadan kısmen veya tamamen elektronik ortama taşınamaz. Muş Alparslan Üniversitesi Fen Bilimler Dergisi, özgün bilimsel araştırmalar ile uygulama çalışmalarına yer veren Haziran ve Aralık sayısı olmak üzere yılda iki defa düzenli olarak yayımlanan bir dergidir.
Yazım Kuralları
Haziran ve Aralık sayısı olmak üzere yılda iki defa yayımlanan uluslararası hakemli bir dergidir. Derginin asıl amacı fen bilimleri, temel alanlar ve mühendislik alanlarında nitelikli akademik çalışmaların yayımlanmasına katkı yapmaktır.
Dergide yayımlanan makaleler yazı işlerinin izni olmaksızın başka hiç bir yerde yayımlanamaz veya bildiri olarak sunulamaz. Kısmen veya tamamen yayımlanan makaleler kaynak gösterilmeden hiçbir yerde kullanılamaz. Dergiye gönderilen makalelerin içerikleri özgün, daha önce herhangi bir yerde yayımlanmamış veya yayımlanmak üzere gönderilmemiş olmalıdır. Makaledeki yazarlar isim sırası konusunda fikir birliğine sahip olmalıdır.
Makalenin hazırlanması sırasında MAUN FBD Makale Şablonu dosyasını bilgisayarınıza indirmeniz ve makalenizi bu şablona göre hazırlamanız, gerekmektedir. Makaleler MS Word 2007 veya üstü bir sürümde hazırlanarak gönderilmelidir. Sayfa yapısı özel boyutta (15.5x23 cm), MS Word programında, Times New Roman veya benzeri bir yazı karakteri ile 10 punto, tek satır aralığıyla yazılmalıdır. Sayfa kenarlarında üst 2.5 cm olmak üzere diğer kenarlar için 2.5 cm boşluk bırakılmalı ve sayfalar numaralandırılmalıdır.
Yazar(lar)ın ad(lar) ve soyad(lar), kurumsal unvanları; yazar(lar)ın görev yaptığı kurum(lar) ve e-posta adres(ler) bilgileri verilmelidir. Ayrıca makalelerde sorumlu yazar belirtilmelidir. Times New Roman 10 punto, tek satır aralığıyla yazılmalıdır.
Makale başlığı, içerikle uyumlu, içeriği en iyi ifade eden bir başlık olmalıdır. Başlık, kalın ve 12 punto büyüklüğünde olmalı ve ilk harfler büyük olacak şekilde sayfa ortalanarak yazılmalıdır. Makaleler aynı özellikte İngilizce bir başlık/title içermelidir.
Makalenin başında, konuyu kısa ve öz biçimde ifade eden ve en az 75, en fazla 150 kelimeden oluşan Türkçe “Öz” bulunmalıdır. Öz içinde, yararlanılan kaynaklara, şekil ve çizelge numaralarına değinilmemelidir. Adres/ler den 2 satır boşluk bırakıldıktan sonra, Times New Roman 10 punto, tek satır aralığıyla yazılmalıdır. Özün altında bir satır boşluk bırakılarak, en az 3, en çok 6 sözcükten oluşan anahtar kelimeler verilmelidir. Anahtar kelimeler makale içeriği ile uyumlu ve kapsayıcı olmalıdır. Aynı şekilde makaleler İngilizce bir başlık/title, anahtar sözcükler/keywords ve öz/abstract içermelidir. MSUFBD’in yayın dili Türkçe ve İngilizcedir.
Herhangi bir sempozyum veya kongrede sunulmuş olan çalışmalar kongrenin adı, yeri ve tarihi belirtilerek yayımlanabilir. Bir araştırma kurumu veya fonu tarafından desteklenen çalışmalarda desteği sağlayan kuruluşun adı ve proje numarası verilmelidir.
Makaleler Giriş, Materyal ve Metod, Deneysel Kısım, Gereç ve Yöntem, Tartışma, Sonuç vb. yer alacak şekilde hazırlanmalı ve alt başlıklar ikinci derece başlıklar Times New Roman 10 punto ile sağa hizalı olarak düzenlenmelidir. Formüller ve denklemler Math Type ya da Word Denklem Düzenleyici kullanılarak yazılmalıdır.
Çalışma, dil bilgisi kurallarına uygun olmalıdır. Makalede noktalama işaretlerinin kullanımında, kelime ve kısaltmaların yazımında en son çıkan TDK Yazım Kılavuzu esas alınmalı, açık ve yalın bir anlatım yolu izlenmeli, amaç ve kapsam dışına taşan gereksiz bilgilere yer verilmemelidir. Makalenin hazırlanmasında geçerli bilimsel yöntemlere uyulmalı, çalışmanın konusu, amacı, kapsamı, hazırlanma gerekçesi vb. bilgiler yeterli ölçüde ve belirli bir düzen içinde verilmelidir.
Bir makalede sırasıyla özet, ana metnin bölümleri, kaynakça ve (varsa) ekler bulunmalıdır. Makalenin bir “Giriş” ve bir “Sonuç” bölümü bulunmalıdır. “Giriş” çalışmanın amacı, önemi, dönemi, kapsamı, veri metodolojisi ve planını mutlaka kapsamalıdır. Konu gerektiriyorsa literatür tartışması da bu kısımda verilebilir. “Sonuç” araştırmanın amaç ve kapsamına uygun olmalı, ana çizgileriyle ve öz olarak verilmelidir. Metinde sözü edilmeyen hususlara “Sonuç”ta yer verilmemelidir. Belli bir düzen sağlamak amacıyla ana, ara ve alt başlıklar kullanılabilir.
Tablo/Şekillerin numarası ve başlığı bulunmalıdır. Tablo çiziminde dikey çizgiler kullanılmamalıdır. Yatay çizgiler ise sadece tablo içindeki alt başlıkları birbirinden ayırmak için kullanılmalıdır. Tablo/Şekil numarası üste, tam sola dayalı olarak Times New Roman 10 punto yazılmalı; tablo/şekil adı ise, her sözcüğün ilk harfi büyük olacak şekilde yazılmalıdır. Ayrıca tablo/şekiller siyah beyaz baskıya uygun hazırlanmalıdır.
Makalede, düzenli bir bilgi aktarımı sağlamak üzere ana, ara ve alt başlıklar kullanılabilir. Makale başlığı dışındaki diğer tüm başlıklar 10 punto yazılmalıdır. Birinci derece başlıklar büyük ve koyu karakterde; ikinci derece başlıklar, yalnız ilk harfleri büyük ve koyu olmayan; üçüncü derece başlıklar ise yalnız ilk harfleri büyük, koyu olmayan ve italik harflerle yazılmalıdır. Ayrıca başlıklar, öncesi ve sonrası 6 nk olacak şekilde ayarlanmalıdır.
BİRİNCİ DERECE BAŞLIK
İkinci Derece Başlık
Üçüncü Derece Başlık
Kaynak göstermede makale içerisinde “köşeli parantez içerisinde numara” ile yazılmalıdır. Her kaynak kendi orijinal dilinde verilmelidir. Kaynaklar Times New Roman 9 punto ile yazılmalıdır. Kaynaklar yazılırken sıralama aşağıdaki şekilde olmalıdır:
Chen Y. R., Chao K., Kim M. S. Machine vision technology for agricultural applications, Computers and Electronics in Agriculture, 36 173-191, 2002.
Kumar A. Computer vision based fabric defect detection: a survey, IEEE Transactions on Industrial Electronics, 55 348-363, 2008.
Yetis H., Baygin M., Karaköse M. A New Micro Genetic Algorithm Based Image Stitching Approach for Camera Arrays at Production Lines, The 5th International Conference on Manufacturing Engineering and Process (ICMEP 2016), 25-27 May, 2016.
Aydin I., Karakose E., Karaköse M., Gençoğlu M.T., Akın E., A New Computer Vision Approach for Active Pantograph Control, IEEE International Symposium on Innovations in Intelligent Systems and Applications (IEEE INISTA 2013), Albena, Bulgaria, 2013.
Lim S. H. Video-processing applications of high speed cmos image sensors, The Degree of Doctor of Philosophy, Stanford University, 2003.
MAUNFBD yazım kurallarına uygun olarak gönderilen makaleler, daha sonraki aşamada intihal denetiminden geçirilir. Dergide intihal denetimi iThenticate programı ile yapılmaktadır ve intihal denetiminde kabul edilebilir benzerlik oranı en fazla %20 dir. Ayrıca, herhangi bir tek kaynaktan kaynaklanan benzerlik oranı %5’i aşmamalıdır.
Yayım aşamasının ilk adımı için makaleler Online Başvuru Sistemi aracılığıyla yollanmalıdır. Başvurunun hemen ardından elektronik posta adresinize otomatik olarak bir onay mesajı gönderilecektir. Daha fazla bilgi için https://dergipark.org.tr/ msufbd elektronik adresi aracılığıyla editörümüzle bağlantıya geçilebilir.
Etik İlkeler ve Yayın Politikası
Yayın Etiği ve Sorumluklar
MAUNFBD Dergisinde uygulanan yayın süreçlerinde yazarlar, hakemler ve editörler etik ilkelere yönelik standartlara uyması önem taşımaktadır. MAUNFBD Dergisinde yayın etiği kapsamında tüm yazarlar, hakemler ve editörler aşağıdaki etik sorumlulukları taşıması beklenmektedir. Aşağıda yer alan etik görev ve sorumluluklar oluşturulurken açık erişim olarak Committee on Publication Ethics (COPE) tarafından yayınlanan etik kurallara ve sorumluluklar dikkate alınarak hazırlanmıştır.
Muş Alparslan Üniversitesi Fen Bilimleri Dergisi yayın kurulu, yayın ilkeleri ve etiği çerçevesinde kurum ve yazar çeşitliliğine önem vermektedir. Bu sebeple Muş Alparslan Üniversitesi bünyesindeki yazarlardan gelecek yayınların basılması, değerlendirme sürecini geçmeleri halinde her sayıda 1 (Bir) adet ile sınırlamıştır.
Öte yandan benzer gerekçelerle Editör kurulundaki üyelere ait çalışmaların görev süresince yayına kabul edilmemesi kararlaştırılmıştır.
Açık Erişim Politikası: Muş Alparslan Üniversitesi Fen Bilimleri Dergisi uluslararası hakemli ve ücretsiz, açık erişimli bir dergidir.
Gizlilik Beyanı: Muş Alparslan Üniversitesi Fen Bilimleri Dergisi sistemine girilen isim veelektronik posta adresleri gibi kişisel veriler, bilimsel amaçlar dışında herhangi bir
amaç kullanılmayacak olup, üçüncü taraflarla paylaşılmayacaktır.
Arşivleme: Muş Alparslan Üniversitesi Fen Bilimleri Dergisi’nde yayınlan tüm makaleler TÜBİTAK ULAKBİM Dergipark sunucularında saklanmakta ve kullanıcılara sunulmaktadır.
Telif Hakkı Devri: Yayınlanmak üzere Muş Alparslan Üniversitesi Fen Bilimleri Dergisi'ne
gönderilen çalışmalar, daha önce herhangi bir şekilde tam metin olarak yayınlanmamış veya herhangi bir yere yayınlanmak üzere gönderilmemiş özgün çalışma niteliği taşımalıdır. Yazarlar çalışmalarının telif hakkından feragat etmeyi kabul ederek, değerlendirme için gönderimle birlikte çalışmalarının telif hakkını Muş Alparslan Üniversitesi Fen Bilimleri Dergisi 'ne devretmek zorundadır. Muş Alparslan Üniversitesi Fen Bilimleri Dergisi Yayın Kurulu makalenin yayımlanması konusunda yetkili kılınır. Muş Alparslan Üniversitesi Fen Bilimleri Dergisi 'ne çalışma gönderecek yazarlar, "Telif Hakkı Devir Formu" belgesini doldurmalı ve ıslak imza ile imzalamalıdır. İmzalanan form taranarak sistem üzerinden yüklenmelidir. Telif Hakkı Devir Formunu iletmeyen yazarların çalışmaları yayınlanmaz.
Yazarların Etik Sorumlulukları
Yazar(lar)ın gönderdikleri çalışmaların özgün olması beklenmektedir. Yazar(lar)ın başka çalışmalardan yararlanmaları veya başka çalışmaları kullanmaları durumunda eksiksiz ve doğru bir biçimde atıfta bulunmaları ve/veya alıntı yapmaları gerekmektedir. Çalışmanın oluşturulmasında içeriğe katkı sağlamayan kişiler, yazar olarak eklenmemelidir. Yazarlar çalışmalarını aynı anda birden fazla derginin başvuru sürecinde bulunduramaz. Her bir başvuru önceki başvurunun tamamlanmasını takiben başlatılabilir. Başka bir dergide yayınlanmış çalışma MAUNFBD Dergisine gönderilemez. Yayınlanmak üzere gönderilen tüm çalışmaların varsa çıkar çatışması teşkil edebilecek durumları ve ilişkileri açıklanmalıdır. Yazar(lar)dan değerlendirme süreçleri çerçevesinde makalelerine ilişkin ham veri talep edilebilir, böyle bir durumda yazar(lar) beklenen veri ve bilgileri yayın kurulu ve bilim kuruluna sunmaya hazır olmalıdır. Değerlendirme süreci başlamış bir çalışmanın yazar sorumluluklarının değiştirilmesi (Yazar ekleme, yazar sırası değiştirme, yazar çıkartma gibi) teklif edilemez. Yazar(lar) kullanılan verilerin kullanım haklarına, araştırma/analizlerle ilgili gerekli izinlere sahip olduklarını veya deney yapılan deneklerin rızasının alındığını gösteren belgeye sahip olmalıdır. Yazar(lar)ın yayınlanmış, erken görünüm veya değerlendirme aşamasındaki çalışmasıyla ilgili bir yanlış ya da hatayı fark etmesi durumunda, dergi editörünü veya yayıncıyı bilgilendirme, düzeltme veya geri çekme işlemlerinde editörle işbirliği yapma yükümlülüğü bulunmaktadır.
Editörlerin Etik Görev ve Sorumlulukları
MAUNFBD Dergisindeki editörler ve alan editörleri, açık erişim olarak Dergipark sayfasında yayınlanan Committee on Publication Ethics (COPE) tarafından belirtilen etik görev ve sorumluluklara sahip olmalıdır:
Genel Görev ve Sorumluluklar
Sürekli olarak derginin gelişimini sağlama, dergide yayınlanan çalışmaların kalitesini geliştirmeye yönelik süreçleri yürütme, okuyucuların ve yazarların bilgi ihtiyaçlarını karşılamaya yönelik çaba sarfetme, düzeltme, açıklama gerektiren konularda yayın açısından açıklık ve şeffaflık gösterme. fikri mülkiyet hakları ve etik standartlardan taviz vermeden iş süreçlerini devam ettirme editörün görev ve sorumluluklarındandır.
Hakemlerin Etik Sorumlulukları
Sadece uzmanlık alanı ile ilgili çalışma değerlendirmeyi kabul etmelidir. Tarafsızlık ve gizlilik içerisinde değerlendirme yapmalıdır. Gizlilik ilkesi gereği inceledikleri çalışmaları değerlendirme sürecinden sonra imha etmelidir. Değerlendirme sürecinde çıkar çatışması ile karşı karşıya olduğunu düşünürse, çalışmayı incelemeyi reddederek, dergi editörünü bilgilendirmelidir. Değerlendirmeyi nesnel bir şekilde sadece çalışmanın içeriği ile ilgili olarak yapmalıdır. Değerlendirmeyi yapıcı ve nazik bir dille yapmalıdır. Düşmanlık, iftira ve hakaret içeren aşağılayıcı kişisel yorumlar yapmamalıdır. Değerlendirmeyi kabul ettikleri çalışmayı zamanında ve yukarıdaki etik sorumluluklarda gerçekleştirmelidir.
Yayıncının Etik Sorumlukları
MAUNFBD Dergisinde gönderilen çalışmaların tüm süreçlerinden editör sorumludur. Bağımsız editör kararı oluşturulmasını taahhüt eder. MAUNFBD Dergisinde ekonomik ya da politik kazançlar göz önüne alınmaksızın karar verici kişi editördür. MAUNFBD Dergisinde yayınlanmış her makalenin mülkiyet ve telif hakkını korumak zorundadır. Editöre ilişkin her türlü bilimsel suiistimal ve intihalle ilgili önlemleri alma sorumluluğuna sahiptir.
Yazarlar ile İlişkiler
Editör, çalışmaların önemi, özgün değeri, geçerliliği, anlatımın açıklığı ve derginin amaç ve hedeflerine dayanarak olumlu ya da olumsuz karar vermelidir. Yayın kapsamına uygun olan çalışmaların ciddi problemi olmadığı sürece ön değerlendirme aşamasına almalıdır. Editör, çalışma ile ilgili ciddi bir sorun olmadıkça, olumlu yöndeki hakem önerilerini göz ardı etmemelidir. Yeni editör, çalışmalara yönelik olarak önceki editör tarafından verilen kararları ciddi bir sorun olmadıkça değiştirmemelidir. MAUNFBD Dergisinde bir Yazar Rehberi yayınlamalıdır. Yazarlara açıklayıcı ve bilgilendirici şekilde bildirim ve dönüş sağlanmalıdır.
Hakemler ile İlişkiler
Editör; dergi yayın politikalarında yer alan Kör Hakemlik ve Değerlendirme Süreci politikalarını uygulamakla yükümlüdür. Hakemleri yayının alan konusuna uygun olarak seçilmelidir. Yayının değerlendirme sürecinde gerekli tüm bilgileri hakemlere sağlamakla yükümlüdür. Yazarlar ve hakemler arasından çıkar çatışması olup olmadığını gözetmek durumundadır. Yayının değerlendirme sürecinde hakemlerin kimlik bilgilerini gizli tutmalıdır. Hakemleri tarafsız, bilimsel ve nesnel bir dille çalışmayı değerlendirmeleri için teşvik etmelidir. Hakem havuzunun geniş bir yelpazeden oluşması için adımlar atmalıdır. Hakemlerin performansını artırıcı uygulama ve politikalar belirlemelidir. Bilimsel olmayan değerlendirmeleri engellemelidir.
Okuyucu ile İlişkiler
Editör tüm okuyucuların ihtiyaç duydukları bilgi, beceri ve deneyim beklentilerini dikkate alarak karar vermelidir. Yayınlanan çalışmaların okuyucu, araştırmacı, uygulayıcı ve bilimsel literatüre katkı sağlamasına ve özgün nitelikte olmasına dikkat etmelidir. Editör okuyuculardan gelen geri bildirimleri dikkate almak, açıklayıcı ve bilgilendirici geri bildirim vermekle yükümlüdür.
Yayın Kurulu ile İlişkiler
Editör, tüm yayın kurulu üyelerinin süreçleri yayın politikaları ve yönergelere uygun ilerletmesini sağlamalıdır. Yayın kurulu üyelerini yayın politikaları hakkında bilgilendirmeli ve gelişmelerden haberdar etmelidir. Yeni yayın kurulu üyelerini yayın politikaları konusunda eğitmeli, ihtiyaç duydukları bilgileri sağlamalıdır.
Dergi Sahibi ve Yayıncı ile İlişkiler
Editör ile yayıncı arasında yapılan yazılı sözleşme gereği, editörün alacağı tüm kararlar yayıncı ve dergi sahibinden bağımsızdır. Yani editör ve yayıncı arasındaki ilişki bağımsızlık ilkesine dayanmaktadır.
Kişisel Verilerin Korunması
Editör; değerlendirilen çalışmalarda yer alan deneklere veya görsellere ilişkin kişisel verilerin korunmasını sağlamakla yükümlüdür. Çalışmalarda kullanılan bireylerin açık rızası belgeli olmadığı sürece çalışmayı reddetmekle görevlidir. Ayrıca editör; yazar, hakem ve okuyucuların bireysel verilerini korumaktan sorumludur.
Etik Kurul, İnsan ve Hayvan Hakları
Editör; değerlendirilen çalışmalarda insan ve hayvan haklarının korunmasını sağlamakla yükümlüdür. Çalışmalarda kullanılan deneklere ilişkin etik kurul onayı, deneysel araştırmalara ilişkin izinlerin olmadığı durumlarda çalışmayı reddetmekle sorumludur.
Olası Suiistimal ve Görevi Kötüye Kullanmaya Karşı Önlem
Editör; olası suiistimal ve görevi kötüye kullanma işlemlerine karşı önlem almakla yükümlüdür. Bu duruma yönelik şikayetlerin belirlenmesi ve değerlendirilmesi konusunda titiz ve nesnel bir soruşturma yapmanın yanı sıra, konuyla ilgili bulguların paylaşılması editörün sorumlulukları arasında yer almaktadır.
Fikri Mülkiyet Haklarının Korunması
Editör; yayınlanan tüm makalelerin fikri mülkiyet hakkını korumakla, olası ihlallerde derginin ve yazar(lar)ın haklarını savunmakla yükümlüdür. Ayrıca editör yayınlanan tüm makalelerdeki içeriklerin başka yayınların fikri mülkiyet haklarını ihlal etmemesi adına gerekli önlemleri almakla yükümlüdür. Bu aşamada yazarlardan makaleleri ile birlikte almış oldukları intihal raporu talep edilmektedir.
NOT: MSUFBD Dergisinde Etik Olmayan Bir Durumla Karşılaşırsanız!
MSUFBD Dergisinde yukarıda bahsedilen etik sorumluluklar ve dışında etik olmayan bir davranış veya içerikle karşılaşırsanız lütfen msufbd@alparslan.edu.tr adresine e-posta yoluyla bildiriniz.
Ücret Politikası
Muş Alparslan Fen Bilimleri Dergisi'ne gönderilen makaleler için herhangi bir yayın ücreti talep etmemektedir.
Dergi Kurulları
Baş Editör
Editör Yardımcıları
Editör Kurulu / Alan Editörleri
Karadeniz Teknik Üniversitesi Mimarlık Bölümü'nden 2009 yılında mezun olduktan sonra 2015 yılında Karadeniz Teknik Üniversitesi Mimarlık Bölümü'nden yüksek lisans derecesini, 2022 yılında Gazi Üniversitesi'nden doktora derecesini almıştır. 2022 yılından beri Muş Alparslan Üniversitesi Mimarlık Bölümünde akademik çalışmalarına devam etmektedir.
Dr. İskender Dölek, coğrafya eğitimi, afet bilinci ve mekânsal analiz konularında uzmanlaşmış bir akademisyendir. Disiplinlerarası yaklaşımlarla yürüttüğü çalışmalarda jeomorfoloji, afet yönetimi, tarihsel coğrafya ve dijital haritalama yöntemlerini bir araya getirerek hem kuramsal hem de uygulamalı katkılar sunmuştur. Türkiye’nin farklı bölgelerinde yürütülen çok sayıda TÜBİTAK ve üniversite destekli projede araştırmacı ve yürütücü olarak görev almıştır. Son yıllarda özellikle Muş Ovası’nda menderes dinamikleri, heyelan duyarlılığı, tarihsel savaş alanları ve geleneksel bilgi ile afet eğitimi üzerine yoğunlaşmıştır.
Abdülhakim Zeybek studied at the Pamukkale University. He gained his Master of Science degree in Soil Mechanics and Engineering Seismology from the Imperial College London in 2012. He gained his PhD degree in Engineering from the Cambridge University in 2017. He is currently an Associated Professor of Engineering Department at Mus Alparslan University. He has research interests in the field of geotechnical earthquake engineering, particularly experimental and numerical investigations of liquefiable soils, partially saturated soils, shallow foundations and soil-structure interaction problems.
1984 yılında Mersin de doğdu. İlk ve ortaöğretimini bu şehirde tamamladı. Lisans öğrenimini 2002-2006 yılları arasında, Yüksek lisans öğrenimini 2006-2008 yılları arasında, Doktora öğrenimini 2008-2013 yılları arasında Mersin üniversitesinde aldı. Ayrıca 2006-2013 yılları arasında Mersin Üniversitesi Fen Bilimleri Enstitüsü Matematik Anabilim Dalında Araştırma Görevlisi olarak çalıştı. Şu anda Bitlis Eren Üniversitesi Fen Edebiyat Fakültesi Matematik Bölümünde Doktor Öğretim Üyesi olarak çalışmaktadır. Evli ve 3 çocuk babasıdır.