``

Fiziksel zaman ve algılanan zaman

Fiziksel zaman ölçülebilirken algılanan zaman öznel bir deneyimdir. Bunu basitleştirilmiş bir modelle şöyle ifade edebiliriz:

Burada $T_a$ algılanan zamanı, $T_g$ gerçek süreyi, $B$ belirsizliği, $D$ dikkatin beklemeye yönelmesini, $E$ eğlenceyi ve $K$ kontrol hissini temsil eder. Bu bilimsel bir ölçüm formülü değil, tasarım kararlarını düşünmek için kullanışlı bir modeldir. Belirsizlik ve beklemeye odaklanma arttıkça süre uzamış gibi hissedilir. Eğlence ve kontrol hissi yükseldiğinde ise aynı süre daha kısa algılanır.

Örneğin yüzde göstergesi bulunmayan donmuş bir ekran, oyuncuya sistemin çalışıp çalışmadığını düşündürür. Belirsizlik yükselir ve oyuncu her saniyeyi izlemeye başlar. Hareketli bir ipucu, ilerleme çubuğu veya etkileşimli mini oyun ise dikkati dağıtır.

İlerleme çubuğunun küçük oyunları

İlerleme çubukları her zaman yüklemenin gerçek hızını birebir göstermez. Dosyaların boyutu, disk hızı ve ağ gecikmesi değişken olduğu için doğrusal ilerleme üretmek zordur. Çubuğun uzun süre yüzde 99’da kalması özellikle sinir bozucudur; çünkü arayüz, bitiş sözü vermiş gibi görünür.

Daha dengeli bir gösterge için ölçülen ilerleme doğrudan ekrana verilmek yerine yumuşatılabilir:

$\alpha$ değeri 0 ile 1 arasındadır. Küçük değerler daha akıcı fakat daha yavaş tepki veren bir animasyon oluşturur. Aşağıdaki JavaScript örneği ani sıçramaları azaltır:

let displayedProgress = 0;

function updateLoading(realProgress) {
  const smoothing = 0.12;
  displayedProgress +=
    smoothing * (realProgress - displayedProgress);

  const percent = Math.floor(displayedProgress * 100);
  document.querySelector(".progress-bar").style.width = `${percent}%`;
  document.querySelector(".progress-label").textContent = `${percent}%`;
}

Kod, gerçek yükleme oranına bir anda atlamak yerine ona kademeli biçimde yaklaşır. Ancak gösterge kullanıcıyı kandırmamalıdır. Gerçek işlem tamamlanmadan yüzde 100 göstermek, kısa vadede hızlı görünse de güven kaybına yol açabilir.

Beklemeyi oynanışa dönüştürmek

Bazı oyunlar yüklemeyi dar geçitler, asansör yolculukları veya yavaş açılan kapılar içine saklar. Oyuncu hareket etmeye devam ettiği için teknik bekleme, kurgu dünyasının parçası olur. Buna karşılık aynı numara çok sık kullanılırsa oyuncular “Bu asansör aslında yükleme ekranı” diyerek perdenin arkasını görmeye başlar.

Respawn süreleri de bilinçli biçimde tasarlanır. Anında yeniden doğmak cezayı anlamsızlaştırabilir; aşırı uzun beklemek ise öfke yaratır. Takım oyunlarında bekleme süresi, oyuncuya haritayı izleme ve strateji kurma fırsatı veriyorsa pasif ceza olmaktan çıkar.

Başarılı zaman manipülasyonunun amacı oyuncuyu aldatmak değil, beklemeyi anlaşılır ve tahmin edilebilir kılmaktır. Geri bildirim verin, belirsizliği azaltın, mümkünse küçük bir kontrol alanı sunun. Saat aynı hızda ilerlese de oyuncunun zihnindeki kronometre böylece çok daha insaflı çalışır.

Modern dizileme cihazları tek bir deneyde milyarlarca DNA bazı üretebilir. Ancak cihazdan çıkan A, T, G ve C harfleri tek başına pek anlamlı değildir. Bu devasa yapbozu çözmek; kısa DNA parçalarını referans genoma yerleştirmeyi, farklılıkları bulmayı ve sonuçların güvenilirliğini ölçmeyi gerektirir. İşte biyoinformatik, moleküler biyoloji ile algoritmaların el sıkıştığı noktada devreye girer. ``

Ham veriden genoma uzanan yol

Dizileme sonucu çoğunlukla FASTQ dosyaları elde edilir. Her okuma, yani read, bir DNA dizisiyle birlikte baz kalitesini belirten sayısal değerlere sahiptir. Phred kalite skoru şu ilişkiyle tanımlanır:

Buradaki $P$, bazın yanlış okunma olasılığıdır. Örneğin $Q=30$, yaklaşık $P=0.001$ hata olasılığına, yani %99,9 doğruluğa karşılık gelir. Analizin ilk aşamasında FastQC gibi araçlarla kalite dağılımı, GC oranı ve adaptör kalıntıları incelenir. Düşük kaliteli uçlar ve adaptörler temizlenmezse sonraki algoritmalar biyolojik olmayan eşleşmeler üretebilir.

Hizalama neden zordur?

İnsan genomu yaklaşık 3,2 milyar baz çifti içerir. Buna karşılık tipik bir kısa okuma yalnızca 100–150 baz uzunluğundadır. Üstelik genomda tekrar eden bölgeler, dizileme hataları, eklemeler ve silinmeler bulunur. Dolayısıyla amaç yalnızca aynı metni aramak değil, küçük farklılıklara izin veren en olası konumu bulmaktır.

İki diziyi karşılaştıran klasik dinamik programlama yaklaşımında genel süre karmaşıklığı $O(nm)$ seviyesindedir. Milyonlarca okumada bu maliyet kabul edilemez. Modern hizalayıcılar bu yüzden genomu indeksler ve yalnızca umut vadeden bölgeleri ayrıntılı olarak değerlendirir.

BWA ve Bowtie2 gibi araçlar Burrows–Wheeler Dönüşümü ile oluşturulan FM-index yapısından yararlanır. Böylece referans genomun tamamını her okuma için baştan taramak yerine eşleşme aralığı hızlı biçimde daraltılır. Uzun okumalar için Minimap2, dizilerden seçilmiş temsilci parçaları kullanarak aday konumları bulur.

Küçük bir dizi karşılaştırma örneği

Aşağıdaki Python kodu, iki eşit uzunluklu dizinin farklı olduğu konumları belirler. Gerçek hizalayıcıların yaptığı iş çok daha karmaşıktır; ancak varyant bulmanın temel fikrini gösterir:

reference = "ACGTTGCAACGT"
sample = "ACGTCGCAATGT"

variants = []
for position, (ref_base, sample_base) in enumerate(
    zip(reference, sample), start=1
):
    if ref_base != sample_base:
        variants.append({
            "position": position,
            "reference": ref_base,
            "sample": sample_base
        })

for variant in variants:
    print(variant)

Kod, referans ile örneği baz baz karşılaştırır ve değişen konumları kaydeder. Gerçek analizlerde GATK, FreeBayes veya DeepVariant gibi araçlar yalnızca harf farkına bakmaz; okuma derinliği, baz kalitesi ve hizalama güvenini de hesaba katar.

Bir varyantın destek oranı kabaca $f = a/d$ ile ifade edilebilir. Burada $a$ alternatif bazı destekleyen okuma sayısı, $d$ ise toplam kapsama derinliğidir. Örneğin 40 okumanın 20’si farklı bazı taşıyorsa $f=0.5$ olur; bu durum diploid bir genomda heterozigot varyanta işaret edebilir.

Sonuçların biyolojik yorumu

Hizalama sonrasında SAM/BAM dosyaları düzenlenir, yinelenen okumalar işaretlenir ve varyantlar VCF biçiminde raporlanır. Ardından bulunan değişikliklerin genleri, proteinleri veya hastalık riskini etkileyip etkilemediği araştırılır. En hızlı algoritma bile kötü kaliteli veriyle güvenilir biyoloji üretemez. Bu nedenle genom analizi; doğru indeksleme, istatistiksel değerlendirme, kalite kontrolü ve biyolojik yorumun birlikte yürütüldüğü dikkatli bir süreçtir.

``

Zımni öğretim nedir?

Zımni öğretim, oyunun mekaniklerini metin kutuları veya uzun açıklamalar yerine seviye düzeni, görsel ipuçları, güvenli deneyler ve sonuçlar aracılığıyla öğretmesidir. Tasarımcı oyuncuya doğrudan ne yapacağını söylemez; doğru davranışı keşfedebileceği kontrollü bir durum hazırlar.

Bu yaklaşımın temel döngüsü şöyle modellenebilir:

Örneğin oyuncunun önüne küçük bir çukur yerleştirilir. İlerlemek için zıplaması gerekir; fakat çukur ölümcül değildir. Oyuncu düşse bile kolayca geri çıkabilir. Böylece oyun hem zıplama gereksinimini gösterir hem de hata yapmayı cezalandırmadan denemeye izin verir.

Açık ve zımni öğretimin farkı

Zımni öğretim her durumda üstün değildir. Karmaşık envanter sistemleri veya erişilebilirlik seçenekleri açık açıklamalar gerektirebilir. İyi tasarım, iki yaklaşımı rakip değil tamamlayıcı araçlar olarak görür.

Seviye tasarımı nasıl öğretmene dönüşür?

İlk yöntem odak yönetimidir. Işık, renk, hareket ve mimari çizgiler oyuncunun bakışını önemli noktaya taşır. Karanlık bir koridordaki tek parlak kapı, üzerinde “Buraya git” yazmasa da oldukça konuşkandır.

İkinci yöntem, yeni mekaniği güvenli bir ortamda tanıtmaktır. Oyuncu patlayan bir varili ilk kez düşmansız bir odada görürse ona ateş ederek sonucunu inceleyebilir. Daha sonra aynı varil düşmanların yanında kullanıldığında oyuncu bağlantıyı kendisi kurar.

Öğrenme başarısını basitçe şu şekilde düşünebiliriz:

Çarpanlardan biri sıfıra yaklaşırsa öğretim de zayıflar. Parlayan bir nesne dikkat çekebilir; ancak oyuncu onunla etkileşime giremiyorsa anlamlı öğrenme oluşmaz.

Küçük bir tasarım örneği

Bir platform oyununda duvardan zıplama mekaniğini tanıttığımızı varsayalım. Seviyenin davranışı aşağıdaki sözde kodla ifade edilebilir:

oyuncu öğretim_odasına_girince:
    çıkışı yüksek bir noktaya yerleştir
    iki zıplanabilir duvarı karşılıklı konumlandır
    düşülen zemini güvenli yap

oyuncu duvara temas edince:
    karakteri kısa süre duvara tutundur
    görsel parçacık ve ses geri bildirimi üret

oyuncu çıkışa ulaşınca:
    aynı mekaniği düşük riskli bir engelde tekrar kullan

Bu kod gerçek bir oyun motoruna bağlı değildir; tasarımın mantığını gösterir. Yüksek çıkış hedefi belirler, karşılıklı duvarlar çözüm alanını sınırlar, güvenli zemin ise korkmadan denemeyi sağlar. Parçacık ve ses, duvarın özel bir davranış sunduğunu bildirir.

Tasarımcının görünmez eli

Başarılı bir zımni öğretimde oyuncu “Tasarımcı bana bunu öğretti” demez; “Ben bunu çözdüm!” der. Bu sahiplenme duygusu motivasyonu artırır. Ancak ipuçları fazla belirgin olursa keşif hissi kaybolur, fazla belirsiz olursa oyuncu sıkışır.

Bu nedenle iyi bir seviye önce mekaniği gösterir, sonra güvenle denetir, ardından farklı bir bağlamda sınar. Oyuncu kuralları okumak yerine yaşar. Görünmez öğretmenin en büyük başarısı da ders verdiğini hiç belli etmemesidir.

Hücresel otomata nedir?

Hücresel otomata, uzayı hücrelerden oluşan bir ızgaraya bölen ayrık bir modeldir. Her hücre belirli bir durumda bulunur ve bir sonraki zaman adımındaki durumu, kendi mevcut durumuna ve komşularına göre hesaplanır.

Kentsel büyüme modelinde hücreler arazi parçalarını temsil edebilir:

En yaygın iki komşuluk yaklaşımı şunlardır:

Moore komşuluğu, şehrin daha yuvarlak ve yaygın biçimde büyümesine izin verir. Von Neumann komşuluğu ise daha köşeli desenler oluşturabilir.

Büyüme kuralını kurmak

Boş bir hücrenin kentleşme olasılığını, çevresindeki kentsel hücrelerin oranıyla ilişkilendirebiliriz. Hücrenin sekiz komşusundan $n$ tanesi kentleşmişse temel olasılık şöyle tanımlanabilir:

Burada $b$ kendiliğinden büyüme olasılığı, $w$ ise komşuluk etkisinin ağırlığıdır. Örneğin $b=0.01$ ve $w=0.6$ olduğunda, mevcut şehre yakın araziler daha hızlı yapılaşırken uzakta küçük uydu yerleşimler de doğabilir. Olasılığın 1’i aşmaması için $P = min(1, P)$ kullanılır.

Bu basit denklem önemli bir fikri yakalar: Kentsel alanlar altyapı, ulaşım ve hizmetlere yakınlık nedeniyle çoğunlukla mevcut yerleşimlerin çevresinde gelişir.

Python ile küçük bir simülasyon

Aşağıdaki kod, 50x50 hücrelik bir haritada Moore komşuluğunu kullanarak büyümeyi simüle eder:

import numpy as np
import matplotlib.pyplot as plt

size = 50
city = np.zeros((size, size), dtype=int)
city[24:27, 24:27] = 1  # Başlangıçtaki kent merkezi

base_probability = 0.01
neighbor_weight = 0.60

def step(grid):
    new_grid = grid.copy()

    for row in range(1, size - 1):
        for col in range(1, size - 1):
            if grid[row, col] != 0:
                continue

            neighborhood = grid[row-1:row+2, col-1:col+2]
            urban_neighbors = np.count_nonzero(neighborhood == 1)
            probability = min(1, base_probability +
                              neighbor_weight * urban_neighbors / 8)

            if np.random.random() < probability:
                new_grid[row, col] = 1

    return new_grid

for _ in range(30):
    city = step(city)

plt.imshow(city, cmap='Greys', interpolation='nearest')
plt.title('30 Adım Sonra Kentsel Yayılım')
plt.axis('off')
plt.show()

step fonksiyonu her boş araziyi inceler, kentleşmiş komşuları sayar ve hesaplanan olasılığa göre hücrenin durumunu değiştirir. Güncelleme sırasında ayrı bir kopya kullanılması kritiktir; aksi hâlde aynı turda yeni kentleşen hücreler hemen komşularını etkiler ve zaman mantığı bozulur.

Modeli daha gerçekçi yapmak

Basit modeli yükselti, yol ve koruma alanı katmanlarıyla geliştirebiliriz. Bir hücrenin toplam uygunluğu örneğin $S = 0.5N + 0.3R - 0.2E$ biçiminde hesaplanabilir. Burada $N$ komşuluk etkisini, $R$ yola yakınlığı, $E$ ise eğim maliyetini temsil eder.

Farklı parametrelerle çok sayıda deney yapmak, tek bir kesin gelecek üretmekten daha değerlidir. Çünkü model bir kehanet makinesi değil, “Bu kurallar geçerliyse ne olabilir?” sorusuna cevap veren bir düşünme laboratuvarıdır. Birkaç satırlık kodla plansız yayılımı, uydu kentleri veya koruma politikalarının etkisini karşılaştırabilir; şehirlerin karmaşık görünümünün basit yerel kararlardan nasıl doğabildiğini gözlemleyebilirsiniz.

Hareketin başlangıç noktası: teleoperasyon

Cerrah, konsoldaki kumandaları hareket ettirdiğinde sensörler konum, yönelim ve hız verilerini ölçer. Bu ham veriler doğrudan motora gönderilmez. Çünkü insan eli doğal olarak titrer, sensörlerde gürültü bulunur ve cerrahın geniş hareketlerinin hastanın içinde çok daha küçük hareketlere çevrilmesi gerekir.

Örneğin kumanda 5 santimetre hareket ettirilirken cerrahi aletin yalnızca 1 santimetre ilerlemesi istenebilir. Ölçekleme basitçe

ile ifade edilebilir. Burada $x_c$ cerrahın hareketi, $x_r$ robotun hedef hareketi, $s$ ise ölçek katsayısıdır. $s=0.2$ olduğunda robot, cerrahın hareketinin beşte birini uygular.

Ters kinematik: Robot kolu nasıl bükülecek?

Cerrah alet ucunun nereye gitmesini istediğini belirtir; fakat robotun motorları doğrudan Kartezyen koordinatlarla çalışmaz. Her eklemin hangi açıya gelmesi gerektiği hesaplanmalıdır. İleri kinematikte eklem değerlerinden uç konumu bulunur:

Ters kinematikte ise hedef konumdan eklem değerleri aranır:

Buradaki zorluk, aynı noktaya birden fazla eklem düzeniyle ulaşılabilmesi veya bazı hedeflerin fiziksel olarak erişilemez olmasıdır. Sayısal çözücüler, Jacobian matrisi üzerinden küçük eklem değişimlerini hesaplar: $v = J(q)\dot{q}$. Sistem ayrıca eklem sınırlarını, çarpışma riskini ve cerrahi aletin giriş noktasını korumak zorundadır.

PID ve kuvvet kontrolü

Hedef eklem açısı bulunduktan sonra motorların bu hedefi düzgün izlemesi gerekir. En yaygın yaklaşımlardan biri PID kontroldür:

Oransal terim mevcut hataya tepki verir, integral terimi kalıcı sapmayı azaltır, türev terimi ise ani değişimleri frenler. Daha karmaşık sistemlerde model öngörülü kontrol, empedans kontrolü ve kuvvet geri bildirimi kullanılır. Empedans kontrolü, robotun dokuyla temas ederken taş gibi katı davranması yerine kontrollü bir esneklik göstermesini sağlar.

Aşağıdaki sade Python örneği, tek eksenli bir PID denetleyicinin hedef konuma yaklaşmasını gösterir:

class PID:
    def __init__(self, kp, ki, kd):
        self.kp, self.ki, self.kd = kp, ki, kd
        self.integral = 0.0
        self.previous_error = 0.0

    def update(self, target, position, dt):
        error = target - position
        self.integral += error * dt
        derivative = (error - self.previous_error) / dt
        self.previous_error = error
        return self.kp * error + self.ki * self.integral + self.kd * derivative

update metodunun ürettiği değer motor komutu olarak düşünülebilir. Gerçek ameliyat robotlarında buna tork sınırları, sensör doğrulama, gecikme telafisi ve acil durdurma kontrolleri eklenir.

Yapay zeka ameliyatı devralıyor mu?

Makine öğrenmesi; anatomik yapıların görüntüde işaretlenmesi, alet takibi, dikiş aşamalarının tanınması ve riskli bölgelerin belirlenmesi için kullanılabilir. Ancak öğrenen modellerin tahminleri belirsizlik taşıdığı için kritik hareket kontrolü genellikle doğrulanabilir, deterministik algoritmalara bırakılır.

Robotik cerrahinin gerçek gücü tek bir “süper algoritmadan” değil; filtreleme, kinematik, kontrol, görüntü işleme ve güvenlik katmanlarının milisaniyeler içinde birlikte çalışmasından gelir. Robot yorulmaz ve titremeyi azaltır; fakat hedefi, stratejiyi ve klinik kararı hâlâ insan belirler.

Toprak nemini ölçen bir sensörün karar vermek için kilometrelerce uzaktaki bulut sunucusunu beklediğini düşünün. Bu sırada bağlantı kesilir, yanıt gecikir ve susuz kalan domatesler sessizce dram yaşar! Edge computing, sensör verisini doğrudan tarladaki ağ geçidi, mikrodenetleyici veya mini bilgisayar üzerinde işleyerek bu sorunu çözer. Böylece tarımsal sistemler daha hızlı, dayanıklı ve ekonomik hâle gelir.

``

Edge computing nedir?

Geleneksel IoT mimarisinde sensörlerden alınan ham veriler internete aktarılır, bulutta analiz edilir ve sonuç tekrar sahadaki cihaza gönderilir. Edge computing yaklaşımında ise hesaplama, verinin üretildiği noktaya mümkün olduğunca yaklaştırılır. Bir Raspberry Pi, endüstriyel ağ geçidi veya yapay zekâ destekli kamera bu “kenar” görevini üstlenebilir.

Bir sulama kararının toplam gecikmesini basitçe şöyle gösterebiliriz:

Bulut tabanlı yapıda iletim ve yanıt süreleri internet kalitesine bağlıdır. Edge cihazında ise veri yerel işlendiği için $T_{iletim}$ büyük ölçüde azalır. Milisaniyelerin kritik olduğu don, yangın veya hayvan hareketi tespiti gibi senaryolarda bu fark oldukça önemlidir.

Tarlada veri nasıl işlenir?

Bir akıllı sulama sisteminde nem, sıcaklık ve yağış sensörleri belirli aralıklarla ölçüm yapar. Edge cihazı önce hatalı okumaları filtreler, ardından eşik veya makine öğrenmesi modeline göre karar verir. Yalnızca günlük ortalamalar, uyarılar ve cihaz sağlık bilgileri buluta gönderilir.

Örneğin, nem sensöründeki ani sıçramaları yumuşatmak için hareketli ortalama kullanılabilir:

Burada $n$, dikkate alınan son ölçüm sayısıdır. Bu yöntem, tek bir hatalı değerin sulama pompasını gereksiz yere çalıştırmasını önler.

Aşağıdaki Python kodu, beş nem ölçümünün ortalamasını hesaplayıp yerel bir sulama kararı üretir:

from statistics import mean

NEM_ESIGI = 35


def sulama_karari(olcumler, yagmur_bekleniyor=False):
    filtrelenmis_nem = mean(olcumler[-5:])

    if filtrelenmis_nem < NEM_ESIGI and not yagmur_bekleniyor:
        return "Pompayı çalıştır"
    return "Sulama gerekmiyor"

nem_verileri = [37, 34, 33, 32, 31]
print(sulama_karari(nem_verileri))

Kod, son beş değeri kullanarak sensör gürültüsünün etkisini azaltır. Gerçek sistemde sonuç bir röle üzerinden pompayı kontrol edebilir. Yağış tahmini önceden edge cihazına aktarılmışsa gereksiz sulama da engellenir.

Yapay zekâ tarlanın kenarına taşınırsa

Edge cihazları yalnızca eşik kontrolü yapmaz. Sıkıştırılmış görüntü sınıflandırma modelleriyle yaprak hastalıkları, yabancı otlar veya zararlılar kameradan tespit edilebilir. Kamera görüntüsünün tamamını buluta göndermek yerine yalnızca “üç bitkide hastalık şüphesi var” sonucu iletilir. Bu yaklaşım hem bant genişliğini hem de depolama maliyetini düşürür.

Ancak edge donanımının enerji, bellek ve işlem gücü sınırlıdır. Model küçültme, niceleme ve uyku modları bu nedenle önem kazanır. Güneş paneliyle çalışan bir cihazda doğruluk kadar enerji tüketimi de başarı ölçütüdür:

Hibrit yaklaşım en güçlü seçenek

Edge computing bulutun rakibi değil, tamamlayıcısıdır. Anlık sulama ve alarm kararları sahada alınırken uzun dönemli verim analizi, model eğitimi ve filo yönetimi bulutta gerçekleştirilebilir. Sonuçta çiftçi bağlantı kesilse bile çalışan, kritik veriye hızlı tepki veren ve internet faturasını kabartmayan bir sisteme sahip olur. Kısacası tarla yalnızca ürün değil, karar da üretmeye başlar.

``

X-ışınları bize ne söyler?

X-ışını demeti vücuttan geçerken kemik, kas, yağ ve hava tarafından farklı oranlarda soğurulur. Bu davranış yaklaşık olarak Beer–Lambert yasasıyla açıklanır:

Burada $I_0$ başlangıçtaki, $I$ dedektöre ulaşan ışın şiddetidir. $\mu(x,y)$ ise dokunun X-ışınını ne kadar zayıflattığını gösteren doğrusal soğurma katsayısıdır. İntegral, ışının izlediği $L$ yolu boyunca karşılaştığı bütün dokuların etkisini toplar.

Denklemin logaritmasını aldığımızda daha kullanışlı bir ölçüm elde ederiz:

Yani dedektör, ışının geçtiği çizgi üzerindeki piksel değerlerinin toplamına benzer bir bilgi sağlar. Ancak tek bir toplamla hangi dokunun nerede olduğunu bilemeyiz. Bir alışveriş fişinin yalnızca toplam tutarını görüp sepetteki ürünleri tahmin etmeye çalışmak gibi!

Radon dönüşümü: Gölgelerin kataloğu

Cihaz, X-ışını tüpünü hastanın çevresinde döndürerek farklı açılardan ölçümler toplar. Bir nesnenin belirli açılardaki çizgisel integrallerini hesaplayan matematiksel işleme Radon dönüşümü denir:

Burada $\theta$ tarama açısını, $s$ ise ışının merkezden uzaklığını belirtir. Bütün açılardan gelen ölçümler yan yana dizildiğinde sinogram adı verilen dalgalı bir görüntü oluşur. Noktasal bir nesne sinogramda sinüs eğrisi çizdiği için bu isim oldukça yerindedir.

Geri projeksiyon neden tek başına yetmez?

Basit geri projeksiyonda her ölçüm, geldiği doğrultu boyunca görüntüye geri yayılır. Çok sayıda açı birleştirildiğinde nesne ortaya çıkar; fakat sonuç bulanıktır. Çünkü tek bir ölçüm, ait olduğu çizginin tamamına eşit biçimde dağıtılmıştır.

Filtrelenmiş geri projeksiyon bu sorunu azaltır. Önce projeksiyonlara yüksek frekansları güçlendiren bir rampa filtresi uygulanır, ardından veriler görüntü düzlemine geri taşınır:

Buradaki $\widetilde{p}_\theta$, filtrelenmiş projeksiyondur. Filtre keskinliği artırırken gürültüyü de büyütebilir; dolayısıyla görüntü kalitesi ile radyasyon dozu arasında dikkatli bir denge kurulur.

Küçük bir Python deneyi

Aşağıdaki örnek, yapay bir kesitin projeksiyonlarını üretir ve filtrelenmiş geri projeksiyonla görüntüyü yeniden oluşturur:

from skimage.data import shepp_logan_phantom
from skimage.transform import radon, iradon, resize
import numpy as np

# İnsan başına benzeyen standart test kesiti
kesit = resize(shepp_logan_phantom(), (256, 256))

# Cihazın çevrede dolaştığı açıları temsil eder
acilar = np.linspace(0, 180, 256, endpoint=False)
sinogram = radon(kesit, theta=acilar)

# Ölçümlerden kesiti yeniden oluşturur
sonuc = iradon(sinogram, theta=acilar, filter_name="ramp")

Bu kodda radon ileri ölçüm sürecini, iradon ise rekonstrüksiyonu taklit eder. Açı sayısını azaltmak görüntüde çizgisel artefaktlar oluşturur; gerçek cihazlarda da yetersiz veri benzer sorunlara yol açar.

Piksel değerlerinden doku bilgisine

Rekonstrüksiyon sonunda elde edilen soğurma katsayıları genellikle Hounsfield birimine dönüştürülür:

Su yaklaşık $0$ HU, hava $-1000$ HU, yoğun kemik ise yüzlerce veya binlerce HU değerine sahiptir. Böylece matematiksel bir yoğunluk haritası, doktorun yorumlayabileceği anatomik bir kesite dönüşür. Modern sistemler ayrıca iteratif yöntemler ve yapay zekâ kullanarak ölçüm ile tahmin arasındaki hatayı tekrar tekrar azaltır. Sonuçta tomografi, dönen bir X-ışını kaynağıyla başlayan ve ters problem çözümüyle tamamlanan etkileyici bir matematik mühendisliğidir.

``

Yapı (struct) nedir?

Bir yapı, birbiriyle ilişkili değişkenleri tek bir veri modeli içinde saklar. Yapının her üyesi bellekte kendisine ait bir alana sahiptir. Dolayısıyla bütün üyeler aynı anda geçerli değerler taşıyabilir.

#include <stdio.h>
#include <string.h>

struct Ogrenci {
    char ad[30];
    int numara;
    float notOrtalamasi;
};

int main(void) {
    struct Ogrenci ogrenci;

    strcpy(ogrenci.ad, "Ada");
    ogrenci.numara = 1024;
    ogrenci.notOrtalamasi = 91.5f;

    printf("%s - %d - %.1f\n",
           ogrenci.ad,
           ogrenci.numara,
           ogrenci.notOrtalamasi);

    return 0;
}

Burada ogrenci tek bir değişkendir; fakat . operatörüyle erişilen üç farklı üyeyi taşır. Bir yapı işaretçisi kullanıldığında ise üyelere -> operatörüyle erişilir: ogrenciPtr->numara.

Birlik (union) nedir?

Birlik de farklı türleri aynı referans altında toplar, ancak üyelerin tamamı aynı bellek alanını paylaşır. Bir üyeye yeni değer yazıldığında diğer üyenin eski değeri güvenilirliğini kaybeder. Yani birlik, “hepsini aynı anda sakla” değil, “bunlardan birini sakla” yaklaşımıdır.

#include <stdio.h>

union Deger {
    int tamSayi;
    float ondalik;
    char karakter;
};

int main(void) {
    union Deger veri;

    veri.tamSayi = 42;
    printf("Tam sayı: %d\n", veri.tamSayi);

    veri.ondalik = 3.14f;
    printf("Ondalık: %.2f\n", veri.ondalik);

    return 0;
}

İkinci atamadan sonra tamSayi üyesini okumak anlamlı değildir; çünkü aynı bitler artık float biçiminde yorumlanmaktadır.

Bellek hesabı

Bir yapının teorik boyutu üyelerin boyutları toplamına yakındır:

Eşitsizliğin nedeni padding adı verilen hizalama boşluklarıdır. Derleyici, işlemcinin verilere daha verimli erişebilmesi için üyeler arasına kullanılmayan baytlar ekleyebilir.

Bir birlik için temel ilişki şöyledir:

Birliğin boyutu genellikle en büyük üyenin boyutudur; hizalama gereksinimleri sonucu küçük farklılıklar görülebilir. Kesin sonucu öğrenmenin doğru yolu sizeof kullanmaktır.

Güvenli birlik kullanımı: etiketli birlik

Birliğin hangi üyesinin geçerli olduğunu kendiliğinden bilmesi mümkün değildir. Bu nedenle bir enum etiketiyle birlik kullanımını güvenli hâle getirebiliriz:

enum DegerTuru {
    TAM_SAYI,
    ONDALIK
};

struct EtiketliDeger {
    enum DegerTuru tur;
    union {
        int tamSayi;
        float ondalik;
    } veri;
};

void yazdir(struct EtiketliDeger deger) {
    if (deger.tur == TAM_SAYI) {
        printf("%d\n", deger.veri.tamSayi);
    } else {
        printf("%.2f\n", deger.veri.ondalik);
    }
}

Bu desen, modern dillerdeki variant veya sum type yapılarına benzer. tur alanı hangi üyenin okunacağını söyler; union ise gereksiz bellek tüketimini azaltır.

Kısacası, bir varlığın bütün özelliklerine aynı anda ihtiyacınız varsa struct; seçeneklerden yalnızca biri tutulacaksa union uygundur. İkisini birlikte kullanmak ise hem düzenli hem de bellek açısından ekonomik veri modelleri kurmanın etkili bir yoludur.

``

Evrişimli sinir ağı neyi öğrenir?

Evrişimli sinir ağları, yani CNN’ler, görüntülerdeki uzamsal ilişkileri öğrenmek için geliştirilmiştir. İlk katmanlar kenar, köşe ve doku gibi basit özellikleri yakalarken daha derin katmanlar kitle biçimi, düzensiz sınır veya doku yoğunluğu gibi karmaşık örüntülere odaklanır.

Bir evrişim işlemi kabaca şöyle ifade edilir:

Burada $x$ giriş görüntüsünü, $w$ öğrenilebilir filtreyi, $b$ sapma değerini ve $y$ üretilen özellik haritasını temsil eder. Filtre görüntü üzerinde dolaşır; önemli bölgelerde yüksek aktivasyonlar oluşturur. Model, eğitim sırasında hatasını azaltacak filtreleri kendisi öğrenir.

Kanser tespitinde süreç genellikle görüntü sınıflandırma, tümör konumlandırma veya piksel düzeyinde segmentasyon biçiminde tasarlanır. Örneğin bir model yalnızca “şüpheli” sonucunu verebilirken başka bir model kitlenin sınırlarını da işaretleyebilir.

İnsan ve CNN karşılaştırması

Bir sistemi yalnızca doğruluk oranıyla değerlendirmek yanıltıcıdır. Tıbbi taramalarda duyarlılık ve özgüllük özellikle önemlidir:

Duyarlılığın düşük olması gerçek kanserlerin kaçırılması, özgüllüğün düşük olması ise çok sayıda sağlıklı hastanın gereksiz incelemeye yönlendirilmesi anlamına gelebilir.

Araştırmalarda bazı CNN’ler belirli veri kümelerinde uzmanlarla benzer, hatta daha yüksek sonuçlar elde edebilir. Ancak bu, modelin her hastanede aynı başarıyı göstereceği anlamına gelmez. Cihaz markası, çekim protokolü, hasta popülasyonu ve görüntü kalitesi değiştiğinde veri dağılımı kayması ortaya çıkabilir.

Basitleştirilmiş bir CNN örneği

Aşağıdaki TensorFlow modeli, görüntüleri iki sınıfa ayırabilecek temel bir mimari gösterir:

import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(224, 224, 3)),
    tf.keras.layers.Conv2D(32, 3, activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Conv2D(64, 3, activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.GlobalAveragePooling2D(),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

model.compile(
    optimizer='adam',
    loss='binary_crossentropy',
    metrics=['accuracy']
)

Evrişim katmanları görüntü özelliklerini çıkarır, havuzlama katmanları boyutu küçültür, sigmoid çıkışı ise görüntünün şüpheli sınıfa ait olma olasılığını üretir. Gerçek bir klinik sistemde veri artırma, hasta bazlı veri ayrımı, harici doğrulama ve kalibrasyon gibi ek adımlar zorunludur.

Rakip değil, ekip arkadaşı

CNN’lerin en güçlü kullanım biçimi radyologların yerini almak değil, önceliklendirme ve karar desteği sağlamaktır. Model şüpheli görüntüleri sıranın başına taşıyabilir, gözden kaçabilecek bölgeleri işaretleyebilir ve ikinci okuma sunabilir. Buna karşılık nihai karar; biyopsi, hasta geçmişi ve diğer klinik bulgularla birlikte uzman tarafından verilmelidir.

Ayrıca eğitim verilerindeki demografik dengesizlikler adaletsiz sonuçlara yol açabilir. Bu nedenle başarı ölçümleri yaş, cinsiyet, cihaz ve merkez gibi alt gruplarda ayrı ayrı incelenmelidir. Güvenli gelecek, “yapay zekâ mı insan mı?” sorusundan çok, ikisini nasıl denetimli ve şeffaf biçimde birleştiririz? sorusuna bağlıdır.

``

Klinik notları anlamak neden zordur?

Gündelik NLP uygulamalarında bir kelimenin olumlu veya olumsuz duygu taşıması önemli olabilir. Klinik alandaysa tek bir olumsuzluk eki hastanın durumunu tamamen değiştirir: “pnömoni var” ile “pnömoni saptanmadı” aynı kavramı içerir ama zıt sonuçlar bildirir.

Notlarda kısaltmalar, yazım hataları, özel terminoloji ve bağlama bağlı ifadeler de bulunur. “MI” miyokart enfarktüsü anlamına gelebilirken farklı bir bölümde başka bir kısaltmayı temsil edebilir. Türkçenin eklemeli yapısı da “hipertansiyonu”, “hipertansiyondan” ve “hipertansiyonsuz” biçimlerinin aynı kökle ilişkilendirilmesini gerektirir.

Tipik bilgi çıkarım hattı

Sistem önce metni cümlelere ve sözcüklere ayırır. Ardından normalizasyon yaparak yazım çeşitlerini azaltır. Adlandırılmış Varlık Tanıma modeli hastalık, ilaç, anatomik bölge ve laboratuvar değeri gibi ifadeleri etiketler. Sonraki aşamada olumsuzluk, belirsizlik, deneyimleyen kişi ve zaman belirlenir.

Örneğin “Hastanın annesinde meme kanseri vardı” cümlesinde hastalık gerçektir; fakat deneyimleyen kişi hasta değildir. Bu ayrım yapılmazsa hastaya yanlış tanı atanabilir. Son aşamada bulunan ifadeler ICD-10, LOINC veya SNOMED CT gibi kontrollü terminolojilerle eşleştirilir.

Modern sistemler BERT benzeri dönüştürücü modeller kullanır. Bir ifadenin bağlamsal gösterimi kabaca şöyle düşünülebilir:

Burada $x_i$ sözcük veya alt sözcük birimini, $h_i$ ise çevresindeki kelimeleri dikkate alan bağlamsal temsili gösterir. Sınıflandırıcı bu temsilden “ilaç”, “belirti” veya “varlık değil” gibi bir etiket üretir.

Basitleştirilmiş Python örneği

Aşağıdaki örnek, eğitilmiş bir spaCy modelinin klinik varlıkları nasıl çıkarabileceğini gösterir. Gerçek kullanımda genel amaçlı model yerine kuruma ve dile uygun klinik veriyle eğitilmiş bir model gerekir.

import spacy

nlp = spacy.load("tr_clinical_ner_model")
text = "Hasta metformin 500 mg kullanıyor, ateş gözlenmedi."
doc = nlp(text)

records = []
for entity in doc.ents:
    records.append({
        "text": entity.text,
        "type": entity.label_,
        "start": entity.start_char,
        "end": entity.end_char
    })

print(records)

Kod, metni modele gönderir ve tespit edilen ifadeleri türleriyle birlikte sözlük listesine dönüştürür. Ancak “gözlenmedi” bilgisinin ateşi olumsuzladığını anlamak için ayrıca kural tabanlı veya öğrenilmiş bir olumsuzluk modülü kullanılmalıdır.

Başarı nasıl ölçülür?

Klinik sistemlerde yalnızca doğruluk oranına bakmak yanıltıcıdır. Kesinlik ve duyarlılık daha açıklayıcıdır:

Yüksek kesinlik, üretilen kayıtların çoğunun doğru olduğunu; yüksek duyarlılık ise gerçek klinik ifadelerin çok azının kaçırıldığını gösterir. Dengeli değerlendirme için $F_1$ skoru kullanılır.

Güvenlik ve insan denetimi

Klinik notlar son derece hassas kişisel veriler içerir. Bu nedenle kimliksizleştirme, erişim kontrolü, şifreleme ve ayrıntılı denetim kayıtları zorunludur. Model çıktıları doğrudan tanı yerine geçmemeli; doktor onayına sunulan yardımcı öneriler olarak değerlendirilmelidir. Kısacası başarılı klinik NLP, yalnızca iyi bir model değil, güvenilir veri, tıbbi terminoloji, mahremiyet ve insan denetiminin birlikte çalıştığı bir sistemdir.