“segmentasyon” için sonuçlar
34 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
İnsan Beyin Kabuğunu Hücre Hücre Haritalayan Yapay Zeka: CytoNet
Araştırmacılar, insan beyin kabuğunun hücresel yapısını analiz etmek için CytoNet adlı yeni bir yapay zeka modeli geliştirdi. Model, dokuz farklı postmortem beyinden elde edilen 4.000'den fazla histolojik kesitteki 1 milyon mikroskobik görüntü parçası üzerinde eğitildi. CytoNet, etiketleme gerektirmeyen öz-denetimli bir öğrenme yaklaşımı kullanarak beyin kabuğundaki karmaşık hücresel dokuları otomatik olarak tanımlayıp anlamlı temsillere dönüştürebiliyor. Beş farklı beyinden alınan 2.000'den fazla kesit üzerinde test edilen model; bölge sınıflandırması, katman segmentasyonu ve mikro mimari değişkenlerin ölçülmesi gibi birden fazla alanda başarılı sonuçlar verdi. Bu çalışma, beynin mikro düzeydeki organizasyonundan makro düzeye kadar nasıl işlediğini anlamak için ölçeklenebilir bir araç sunuyor ve nörobilim araştırmalarında büyük veri analizinin önünü açıyor.
Bağışıklık Hücrelerini İzleyen Yapay Zeka: Celldetective
Bağışıklık sistemi araştırmalarında hücrelerin birbirleriyle nasıl etkileşime girdiğini anlamak, modern biyogörüntüleme biliminin en zorlu problemlerinden biri. Araştırmacılar bu zorluğa yanıt olarak Celldetective adlı açık kaynaklı bir yazılım geliştirdi. Python tabanlı bu araç, özellikle immünoloji ve immünoterapi deneyleri için tasarlandı; karışık hücre popülasyonlarının zaman içindeki hareketlerini yüksek performansla analiz edebiliyor. Yazılım; yapay zeka destekli hücre segmentasyonu, takibi ve otomatik tek hücre olay tespitini tek bir çatı altında birleştiriyor. Kullanıcı dostu grafik arayüzü sayesinde araştırmacılar verileri etkileşimli biçimde görselleştirebiliyor, etiketleyebiliyor ve modeli kendi veri setlerine göre yeniden eğitebiliyor. Celldetective öncelikle immünoloji odaklı olsa da birbirleriyle etkileşen herhangi bir hücre popülasyonunu içeren biyolojik sistemlere de uygulanabiliyor. eLife Sciences dergisinde yayımlanan bu çalışma, tek bağışıklık efektör hücresi etkileşimlerini içeren özgün veri setleriyle aracın yeteneklerini gözler önüne seriyor.
Beynin Zaman Algısı: Olayları Nasıl Parçalara Ayırarak Anlamlandırıyoruz?
Yeni bir araştırma, beynimizin sürekli yaşanan deneyimleri nasıl ayrı parçalara böldüğünü açıklıyor. Bilim insanları, davranışsal psikolojiden bilinen 'olay segmentasyonu' teorisi ile hesaplamalı sinirbilimden gelen 'metastabil nöral aktivite' kavramının aslında aynı beyin mekanizmasını farklı açılardan incelediğini ortaya koydu. Bu keşif, beynin gerçek zamanlı anlama, hafıza ve karar verme süreçlerini nasıl optimize ettiğine dair yeni perspektifler sunuyor. Araştırma, günlük yaşamda karşılaştığımız sürekli bilgi akışını nasıl anlamlı zaman dilimlerine böldüğümüzü ve bu sürecin nöral temellerini açıklığa kavuşturuyor.
2025 Osaka Expo'sunda Dil Engeli Kalmayacak: Yapay Zeka Çeviri Devrimi
2025 Osaka Dünya Fuarı, gelişmiş yapay zeka çeviri teknolojileriyle ziyaretçilere dil engellerinin olmadığı bir deneyim sunacak. Araştırmacılar, yüksek kaliteli ve düşük gecikmeli eş zamanlı çeviri sistemleri geliştirdi. Bu teknolojiler arasında parça tabanlı girdi segmentasyonu, bağlama duyarlı çeviri ve çoklu motor makine çevirisi yer alıyor. Özel şirketlerle yapılan işbirlikleri sonucunda gerçek dünya uygulamaları hayata geçirildi ve fuarda sergilenecek hizmetler hazırlandı. Bu gelişme, küresel etkinliklerde çok dilli iletişimin geleceğine işaret ediyor.
Yapay Zeka Hücre İskeletini Görüntüleyebiliyor: MTCurv Sistemi Geliştirildi
Bilim insanları, floresan mikroskopi görüntülerinde mikrotübül eğriliğini doğrudan ölçebilen MTCurv adlı yeni bir yapay zeka sistemi geliştirdi. Hücre iskeletinin önemli bileşenleri olan mikrotübüllerin eğrilik ölçümü, hücre mekaniğini ve hastalıklara bağlı morfolojik değişiklikleri anlamak için kritik öneme sahip. Geleneksel yöntemler gürültülü görüntülerde başarısız olurken, bu yeni sistem dikkat mekanizması kullanan derin öğrenme mimarisiyle segmentasyona gerek kalmadan doğrudan eğrilik haritası çıkarabiliyor. Sentetik veriler üzerinde eğitilen sistem, hücresel hastalıkların teşhisinde ve tedavisinde yeni olanaklar sunuyor.
Robotlar İçin Çok Sensörlü Öğrenme Sistemi: M2R2 ile Hareket Analizi
Araştırmacılar, robotların hareketlerini daha iyi anlayabilmesi için M2R2 adlı yeni bir sistem geliştirdi. Bu sistem, robotların kendi iç sensörlerinden gelen bilgileri kamera görüntüleriyle birleştirerek hareket segmentasyonunu gerçekleştiriyor. Temporal hareket segmentasyonu, robotların karmaşık görevleri daha küçük parçalara ayırarak öğrenmesini sağlayan kritik bir teknoloji. Geleneksel yaklaşımlar ya sadece robot sensörlerine ya da sadece kamera verilerine odaklanıyordu, ancak M2R2 her iki veri türünü etkin şekilde harmanlıyor. Sistem, özellikle görünürlüğün kısıtlı olduğu cerrahi robotik gibi alanlarda önemli avantajlar sunuyor. Öğrenilen özelliklerin farklı modeller arasında yeniden kullanılabilmesi de sistemin önemli bir yeniliği olarak öne çıkıyor.
Otonom Araçlar İçin Kuşbakışı Görüş Modellerinin Kapsamlı Test Sonuçları
Otonom sürüş teknolojisinde kullanılan kuşbakışı görüş segmentasyon modellerinin farklı ortamlarda nasıl performans gösterdiği kapsamlı bir araştırmayla incelendi. Mevcut modellerin genellikle tek bir veri seti üzerinde eğitildiği ve bu durumun farklı çevre koşullarında başarısızlığa yol açtığı tespit edildi. Araştırmacılar, kamera ve LiDAR gibi farklı sensörlerin model performansına etkilerini analiz ederek, çoklu veri seti eğitiminin tek veri seti eğitimine göre daha başarılı sonuçlar verdiğini ortaya koydu. Bu çalışma, otonom araçların farklı şehir ve coğrafyalarda güvenli bir şekilde çalışabilmesi için kritik önem taşıyor.
Otonom Araçlar İçin Yeni Bakış Takip Sistemi: Metinden Nesneye Geçiş
Araştırmacılar, otonom araçların sürücü davranışlarını daha iyi taklit edebilmesi için yeni bir görsel dikkat tahmin sistemi geliştirdi. Mevcut sistemler sadece genel sahne görüntülerini analiz edebiliyordu, ancak yeni yaklaşım her bir nesneyi ayrı ayrı değerlendiriyor. G-W3DA adı verilen özel veri seti kullanılarak geliştirilen sistem, büyük dil modellerini görüntü segmentasyonu teknolojisi ile birleştiriyor. Bu sayede otonom araçlar, yalnızca nereye bakması gerektiğini değil, hangi nesnelere odaklanması gerektiğini de öğrenebiliyor. Sistem, sürücülerin dikkatini nesne düzeyinde modelleyerek daha güvenli ve insan benzeri sürüş davranışları sergileyebilir.
Yapay Zeka Tıbbi Görüntü Analizinde Yeni Bir Döneme Kapı Açıyor
Araştırmacılar, tıbbi görüntü segmentasyonunda devrim yaratabilecek APEX adlı yeni bir yapay zeka sistemi geliştirdi. Bu sistem, her tıbbi görüntüye özel olarak uyarlanabilen akıllı promptlar kullanarak, farklı hastane ve cihazlardan gelen görüntüleri daha başarılı şekilde analiz edebiliyor. Geleneksel yöntemler tek bir prompt ile tüm görüntüleri işlerken, APEX her görüntünün özelliklerine göre en uygun promptu seçiyor. Bu yaklaşım, özellikle tıp alanında kritik öneme sahip olan görüntü çeşitliliği sorununu çözerek, yapay zekanın farklı koşullarda daha güvenilir sonuçlar vermesini sağlıyor.
Yapay zeka tıbbi görüntülerde boyama farklılıklarını çözüyor
Dijital patolojide en büyük sorunlardan biri, farklı boyama tekniklerinin yapay zeka modellerinin performansını düşürmesidir. Araştırmacılar, bu sorunu çözmek için DSA-CycleGAN adında yeni bir yapay zeka sistemi geliştirdi. Bu teknoloji, böbrek hastalıklarının teşhisinde kritik olan glomerül yapılarının segmentasyonunda devrim yaratabilir. Geleneksel yöntemlerde her boyama tekniği için ayrı ayrı etiketleme yapmak pahalı ve zaman alıcıydı. Yeni sistem, tek bir boyama tekniğinden öğrendiği bilgileri diğer boyama tekniklerine başarıyla aktarabiliyor.
7T MRI ile Beyin Damarları Haritalanıyor: SMILE-UHURA Yarışması
Beyin küçük damarlarındaki hastalıklar inme ve demans gibi ciddi sağlık sorunlarına yol açabiliyor. 7 Tesla MRI teknolojisi bu mikroskobik damarları görüntülemeyi mümkün kılsa da, yapay zeka algoritmaları için yeterli veri seti bulunmuyordu. ISBI 2023 konferansında düzenlenen SMILE-UHURA yarışması, araştırmacılara ultra yüksek çözünürlüklü beyin damar görüntüleri sunarken, otomatik segmentasyon algoritmalarının geliştirilmesini hedefliyor. Bu çalışma, serebral küçük damar hastalıklarının erken teşhisinde devrim yaratabilecek makine öğrenmesi yöntemlerinin geliştirilmesi için kritik bir adım teşkil ediyor.
Yapay Zeka Tıbbi Görüntülerde Segmentasyonu Eğitim Gerektirmeden Geliştirebiliyor
Araştırmacılar, tıbbi görüntü segmentasyonunu eğitim gerektirmeden iyileştiren SegTTA adlı yeni bir framework geliştirdi. Bu sistem, farklı hastanelerdeki ekipman ve operatör farklılıklarından kaynaklanan görüntü kalitesi sorunlarını çözmek için tasarlandı. Framework, gamma düzeltme, kontrast artırma, Gaussian bulanıklaştırma ve gürültü ekleme gibi dört farklı veri artırma tekniğini birleştiriyor. Sistemi test etmek için sağlıklı rahim segmentasyonu, rahim miyomu tespiti ve karaciğer yapıları segmentasyonu gibi üç farklı dataset kullanıldı. Sonuçlar, büyük organların yoğunluk artırımından, küçük lezyonların ise gürültü artırımından faydalandığını gösterdi. Bu yaklaşım, mevcut modelleri yeniden eğitmeye gerek kalmadan tıbbi görüntü analizi performansını artırabiliyor.
Yapay zeka, akciğer nodüllerini daha az veriyle tespit edebiliyor
Araştırmacılar, akciğer nodüllerinin tespiti için yeni bir yapay zeka yöntemi geliştirdi. Bu yöntem, geleneksel segmentasyon yaklaşımlarının aksine minimal veri etiketlemesi gerektiriyor. 3D rektifiye akış modellerini kullanan sistem, sadece görüntü düzeyinde etiketlerle çalışabiliyor ve uzmanların piksel bazında detaylı etiketleme yapmasına gerek kalmıyor. LUNA16 veri seti üzerinde yapılan testlerde, farklı boyut ve şekillerdeki akciğer nodüllerini başarıyla tespit edebildiği görülmüş. Bu gelişme, tıbbi görüntüleme alanında veri hazırlama süreçlerini önemli ölçüde hızlandırabilir ve maliyetleri düşürebilir. Özellikle erken teşhis açısından kritik olan akciğer nodüllerinin daha hızlı ve doğru tespiti, kanser tedavisinde önemli bir adım olarak değerlendiriliyor.
Yapay Zeka Prostat Kanserini Eksik Görüntülerle de Tespit Edebiliyor
Araştırmacılar, prostat kanseri tespitinde kullanılan MR görüntülerinin bir kısmı eksik veya bozuk olsa bile doğru tanı koyabilen yeni bir yapay zeka sistemi geliştirdi. MIGF adı verilen bu sistem, farklı MR görüntü türlerini ayrı ayrı işleyip akıllı bir kapı mekanizmasıyla birleştiriyor. Klinik uygulamalarda sıkça karşılaşılan görüntü kalitesi sorunlarına rağmen prostat kanseri segmentasyonunda başarılı sonuçlar elde ediyor. Sistem, mevcut yapay zeka mimarilerine kolayca entegre edilebiliyor ve eksik veri durumlarında bile güvenilir performans gösteriyor. Bu gelişme, prostat kanseri erken teşhisinde yapay zekanın klinik kullanımını daha pratik hale getirebilir.
Yapay Zeka Uydu Görüntülerinde Nesne Tespitinde Çığır Açtı
Araştırmacılar, uydu görüntülerinde nesneleri tespit etmek için yeni bir yapay zeka yaklaşımı geliştirdi. DiffuSAM adlı bu sistem, diffüzyon modelleri ile segmentasyon algoritmalarını birleştirerek uzaktan algılama görüntülerinde nesneleri daha hassas şekilde konumlandırıyor. Geleneksel yöntemlere kıyasla %14 oranında daha yüksek doğruluk elde eden bu teknoloji, karmaşık uydu görüntülerinde bile güvenilir nesne tespiti yapabiliyor. Bu gelişme, çevre izleme, şehir planlama ve afet yönetimi gibi alanlarda uydu verilerinin daha etkin kullanımını sağlayabilir.
URVIS 2026: Zorlu Hava Koşullarında Yapay Zeka Görüş Sistemleri Yarışması
URVIS 2026 yarışması, yapay zekanın zorlu hava koşullarında görüntü analizi yeteneklerini test eden ilk büyük ölçekli etkinlik olarak tamamlandı. Fırtına, kar ve aşırı yağış gibi ekstrem koşullarda çalışabilen görüntü segmentasyon algoritmaları üzerine düzenlenen yarışmaya 17 katılımcı kayıt yaptırdı ve toplam 47 çözüm sunuldu. MUSES veri seti kullanılarak gerçekleştirilen etkinlik, RGB kameralar, LiDAR, radar ve olay kameralarından elde edilen verileri harmanlayarak gerçek dünya koşullarını simüle etti. Yarışma sonuçları, mevcut yapay zeka sistemlerinin zorlu hava koşullarında hala önemli sınırlılıkları olduğunu gösterdi. Bu tür araştırmalar, otonom araçlar ve güvenlik sistemleri için kritik öneme sahip.
SAM2 Video Segmentasyonunda Yeni Yöntemle Titreşimsiz Görüntü Ayrıştırması
Yapay zeka destekli video segmentasyon teknolojilerinde önemli bir gelişme kaydedildi. SAM2 gibi interaktif video segmentasyon modelleri güçlü performans sergilerken, zayıf kullanıcı müdahalesi durumlarında titreşimli sınırlar ve nesne kayıpları gibi sorunlar yaşıyordu. Araştırmacılar, bu sorunu çözmek için yeni bir zamansal olasılık yumuşatma yöntemi geliştirdi. Optik akış tabanlı hareket dönüşümü ve piksel bazında belirsizlik tahminlerini kullanan bu yaklaşım, mevcut modeli yeniden eğitmeden veya mimarisini değiştirmeden çalışabiliyor. Yöntem, segmentasyon entropisinden türetilen belirsizlik sinyallerini ve ileri-geri akış tutarlılığını kullanarak daha stabil video segmentasyonu sağlıyor.
3D Gaussian Splatting'e Anlık Renklendirme Tekniği Geliştirildi
Stanford araştırmacıları, 3D Gaussian Splatting teknolojisine yeni bir boyut kazandıran devrim niteliğinde bir yöntem geliştirdi. Geleneksel yaklaşımların tersine, 2D görüntü bilgilerini mevcut 3D Gaussian sahnesine geri haritalayabilen bu teknik, sahne aydınlatması, stilizasyon ve 3D semantik segmentasyon gibi uygulamalara kapı açıyor. Yöntem, görüş bağımlı renklendirme ve örtülme sorunlarını çözmek için görünürlük ağırlıklı en küçük kareler problemini normal denklem kullanarak çözüyor. Mevcut diferansiyellenebilir rasterizer'larla verimli bir şekilde uygulanabilen bu yaklaşım, 3D sahne manipülasyonunda yeni olanaklar sunuyor.
Yapay zeka seyrek verilerden çevresel haritalar çıkarabiliyor
Çevre bilimcileri, dağınık ve eksik gözlemlerden sürekli çevresel alanlar oluşturmakta zorlanıyor. Araştırmacılar, bu sorunu çözmek için implicit neural representations (INR) adı verilen yeni bir yapay zeka yaklaşımını test etti. Bu yöntem, koordinat tabanlı bir çerçeve kullanarak türlerin dağılım haritalarını, fenolojiik döngüleri ve morfolojik segmentasyonu başarıyla modelleyebildi. Geleneksel grid tabanlı yöntemlerin aksine, INR'ler farklı çözünürlüklerde sorgulanabiliyor ve heterojen veri setleriyle daha iyi başa çıkabiliyor. Bu gelişme, biyoçeşitlilik bilimi ve çevre modellemesi alanlarında daha doğru ve esnek analiz araçları sunma potansiyeli taşıyor.
AnchorSeg: Dil Temelli Görsel Analiz için Yeni Yapay Zeka Modeli
Araştırmacılar, karmaşık metin komutlarını piksel düzeyinde görsel maskelere dönüştürebilen AnchorSeg adlı yeni bir yapay zeka sistemi geliştirdi. Mevcut yöntemler tek bir segmentasyon belirteci kullanarak hem anlam çıkarımını hem de uzamsal konumlandırmayı aynı anda yapmaya çalışırken, AnchorSeg bu işlemleri birbirinden ayırarak daha etkili sonuçlar elde ediyor. Sistem, 'neyi segmente edeceği' ve 'nerede segmente edeceği' sorularını ayrı ayrı ele alarak, dil tabanlı görüntü işleme alanında önemli bir ilerleme sunuyor. Bu teknoloji, gelecekte otomatik görüntü analizi ve yapay zeka destekli görsel anlama sistemlerinde kullanılabilecek potansiyele sahip.
Yapay Zeka Görüntü-Metin Eşleştirmesinde Çığır Açan T-REN Teknolojisi
Araştırmacılar, yapay zekanın görüntü ve metin verilerini anlama konusundaki iki temel sorunu çözen yeni bir teknoloji geliştirdi. T-REN (Metin Hizalı Bölge Kodlayıcı Ağı) adlı bu sistem, görsel verileri metin açıklamalarıyla çok daha etkili şekilde eşleştiriyor. Geleneksel yöntemlerin aksine, görüntüdeki her bölgeyi ayrı ayrı analiz ederek metinlerle uyumlu hale getiriyor. Bu yaklaşım, özellikle açık kelime dağarcığı ile görüntü segmentasyonu gibi zorlu görevlerde büyük ilerlemeler sağlıyor. Aynı zamanda sistem, uzun videolar gibi büyük veri setlerini işlerken çok daha az hesaplama gücü kullanıyor. Sadece %3.7 ek parametre ile çalışan bu teknoloji, mevcut sistemlere kıyasla hem daha hızlı hem de daha doğru sonuçlar üretiyor.
DenseMarks: İnsan Yüzleri İçin Yapay Zeka Tabanlı Yoğun Haritalama Sistemi
Araştırmacılar, insan kafası görüntülerinde yüksek kaliteli yoğun karşılık bulma işlemini gerçekleştirebilen DenseMarks adlı yeni bir yapay zeka sistemi geliştirdi. Vision Transformer ağı kullanılan bu sistem, 2D insan kafası görüntülerindeki her piksel için 3D gömme vektörleri tahmin ediyor ve bunları kanonik bir küp uzayına yerleştiriyor. Sistem, çeşitli konuşan kafa videolarından toplanan nokta eşleştirme verileriyle eğitildi. Yüz işaretleri ve segmentasyon kısıtlarıyla desteklenen çok görevli öğrenme yaklaşımı, uzamsal süreklilik sağlayarak yorumlanabilir ve sorgulanabilir kanonik bir uzay oluşturuyor. Bu teknoloji, ortak semantik parçaları bulma, yüz/kafa takibi ve stereo rekonstrüksiyon uygulamalarında kullanılabiliyor.
SegMix: Patoloji Görüntülerinde Yapay Zeka Destekli Hastalık Tespiti
Araştırmacılar, patoloji görüntülerinde hastalıklı dokuları tespit etmek için yeni bir yapay zeka yöntemi geliştirdi. SegMix adı verilen bu teknik, geleneksel yöntemlerin aksine her pikseli tek tek etiketleme gerektirmeden çalışabiliyor. Mevcut Class Activation Map (CAM) yöntemleri patoloji görüntülerinde yalnızca küçük alanları tanımlayabilirken, SegMix karıştırma temelli geri bildirim öğrenme ile daha geniş ve doğru hastalık alanlarını belirleyebiliyor. Bu gelişme, deneyimli patologların yoğun çalışmasını gerektiren veri hazırlama sürecini kolaylaştırarak, kanser teşhisi gibi kritik alanlarda yapay zekanın daha yaygın kullanımına olanak sağlayabilir. Yöntem, müfredat öğrenme ilkelerinden ilham alarak, görüntü düzeyindeki sınıflandırma etiketlerini kullanarak piksel düzeyinde segmentasyon gerçekleştiriyor.
Yapay zeka ile kan kanseri teşhisinde %99.3 doğruluk oranı
Akut miyeloid lösemi (AML), en ölümcül kan kanseri türlerinden biri olarak kabul edilir ve teşhisi oldukça zorludur. Bunun nedeni, farklı hücre tiplerinin görsel olarak birbirine çok benzemesidir. Araştırmacılar, YOLOv12 adlı gelişmiş yapay zeka modelini kullanarak bu zorluğu aştılar. Çalışmada, kan hücrelerinin mikroskobik görüntüleri üzerinde iki farklı segmentasyon yöntemi denendi. Hücre tabanlı segmentasyon ile Otsu eşikleme tekniğinin birleşimi, hem doğrulama hem de test aşamasında %99.3'lük etkileyici bir başarı oranı elde etti. Bu gelişme, kan kanseri teşhisinin hızlanması ve doğruluğunun artması açısından büyük önem taşıyor.