Derin öğrenme mimarileri ile Kellgren-Lawrence evreleme yapan modelin retrospektif ön-arka diz grafileri üzerinde değerlendirilmesi ve radyolog karar süreçlerine etkisinin incelenmesi
Evaluation of a deep learning architecture-based model for Lellgren-Lawrence staging on retrospective anteroposterior knee radiographs and investigation of its impact on radiologist decision-making processes
- Tez No: 1003407
- Danışmanlar: PROF. DR. SEMRA DURAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Ankara Bilkent Şehir Hastanesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmanın amacı, diz osteoartritinin Kellgren-Lawrence evrelemesini otomatik olarak gerçekleştiren derin öğrenme tabanlı bir sistem geliştirmek, farklı mimari yaklaşımları karşılaştırmak ve sistemin radyolog karar süreçlerine etkisini değerlendirmektir. Gereç ve Yöntem: PyTorch kütüphanesi kullanılarak on dört farklı derin öğrenme mimarisi geliştirilmiş ve karşılaştırılmıştır. Evrişimli sinir ağı kategorisinde ResNet-18, ResNet-50, ResNet-101, DenseNet-121, DenseNet-169, DenseNet-201, EfficientNet-B0, MobileNetV2, ConvNeXt-Tiny ve ConvNeXt-Small; Vision Transformer kategorisinde Swin-T, Swin-S, ViT-B/16 ve ViT-L/16 mimarileri kullanılmıştır. Modeller, Mendeley Data platformundan elde edilen 8.260 görüntüden oluşan KOA-SG v1.0 veri seti ile eğitilmiş ve test edilmiştir. Harici doğrulama için Ankara Bilkent Şehir Hastanesi'nden toplanan 100 görüntülük bağımsız bir veri seti kullanılmıştır. Altı radyolog, yapay zeka desteği öncesi ve sonrası olmak üzere iki aşamada değerlendirilmiştir. Bulgular: DenseNet-169 mimarisi en yüksek performansı göstermiş olup, Mendeley test setinde %70,17 genel doğruluk, 0,9079 Macro AUC ve 0,9340 Micro AUC değerleri elde etmiştir. Harici hastane setinde %65 genel doğruluk, 0,8575 Macro AUC ve 0,8863 Micro AUC değerleri kaydedilmiştir. Evrişimli sinir ağı tabanlı modeller açık erişim veri seti ve harici hastane veri setinde Vision Transformer modellerine göre anlamlı olarak üstün performans sergilemiştir. Yapay zeka desteği, radyolog doğruluğunda önemli iyileşmeler sağlamıştır: R1 %51'den %61'e, R2 %52'den %63'e, R3 %65'ten %71'e, R4 %64'ten %72'ye, R5 %77'den %81'e ve R6 %78'den %83'e yükselmiştir. Grad-CAM analizi, modelin %78 oranında klinik olarak anlamlı anatomik bölgelere odaklandığını göstermiştir. Gözlemciler arası uyum yapay zeka desteği ile ortalama eşli ikinci dereceden ağırlıklı kappa 0,708'den 0,836'ya yükselmiş, %18,1'lik artış bulunmuştur (p<0,001). Krippendorff's Alpha değerleri 0,726'dan 0,845'e yükselmiştir (%16,4 artış). Gözlemci içi tutarlılık analizi tüm radyologlar için iyi uyum seviyesinde bulunmuştur (ortalama ikinci dereceden ağırlıklı kappa: 0,791). Yapay zekanın gerçek değerle uyumu mükemmel seviyede bulunmuştur (ikinci dereceden ağırlıklı kappa: 0,864). Sonuç: DenseNet-169 mimarisi, diz osteoartrit tanısında klinik karar destek sistemi olarak kullanılabilecek yüksek potansiyel göstermiştir. Evrişimli sinir ağı tabanlı modeller genel olarak Vision Transformer modellerine kıyasla daha yüksek performans göstermiştir. Yapay zeka, bireysel performansı arttırmanın yanı sıra tanı standardizasyonunu sağlamaya da yardımcıdır.
Özet (Çeviri)
Objective: The aim of this study is to develop a deep learning-based system that automatically performs Kellgren-Lawrence staging of knee osteoarthritis, to compare different architectural approaches, and to evaluate the impact of this system on radiologist decision-making processes. Materials and Methods: Fourteen different deep learning architectures were developed and compared using the PyTorch library. Among these architectures, in the convolutional neural network category, ResNet-18, ResNet-50, ResNet-101, DenseNet-121, DenseNet-169, DenseNet-201, EfficientNet-B0, MobileNetV2, ConvNeXt-Tiny, and ConvNeXt-Small were included; in the Vision Transformer category, Swin-T, Swin-S, ViT-B/16, and ViT-L/16 were included. The models were trained and tested with the KOA-SG v1.0 dataset consisting of 8,260 images obtained from the Mendeley Data platform. For external validation, an independent dataset of 100 images collected from Ankara Bilkent City Hospital was used. Six radiologists were evaluated in two stages: before and after artificial intelligence support. Results: The DenseNet-169 architecture showed the highest performance, achieving 70.17% overall accuracy, 0.9079 Macro AUC, and 0.9340 Micro AUC values on the Mendeley test set. On the external hospital set, 65% overall accuracy, 0.8575 Macro AUC and 0.8863 Micro AUC values were recorded. Convolutional Neural Network-based models demonstrated significantly superior performance compared to Vision Transformer models on both the open-access dataset and the external hospital dataset. Artificial intelligence support provided significant improvements in radiologist accuracy: R1 increased from 51% to 61%, R2 from 52% to 63%, R3 from 65% to 71%, R4 from 64% to 72%, R5 from 77% to 81%, and R6 from 78% to 83%. Grad-CAM analysis showed that the model focused on clinically significant anatomical regions at a rate of 78%. Interobserver agreement increased from an average pairwise quadratic weighted kappa of 0.708 to 0.836 with artificial intelligence support, showing an 18.1% increase (p<0.001). Krippendorff's Alpha values increased from 0.726 to 0.845 (16.4% increase). Intraobserver agreement analysis was found to be at a good agreement level for all radiologists (average quadratic weighted kappa: 0.791). The agreement of artificial intelligence with true values was found to be at an excellent level (quadratic weighted kappa: 0.864). Conclusion: The DenseNet-169 architecture has shown high potential to be used as a clinical decision support system in knee osteoarthritis diagnosis. Convolutional Neural Network-based models generally demonstrated higher performance compared to Vision Transformer models. Artificial intelligence helps provide diagnostic standardization in addition to improving individual performance.
Benzer Tezler
- Derin öğrenme mimarileri ile MR taramalarından omuriliğin otomatik bölütlenmesi ve MS lezyonlarının ayırıcı tanısı
Automatic segmentation of the spinal cord from MR scans and differential diagnosis of MS lesions with deep learning architectures
RUKİYE POLATTİMUR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- Derin öğrenme mimarileri ile savaş uçaklarının tespit edilmesi
Detection of military aircraft with deep learning architectures
FATİH ŞENGÜL
Yüksek Lisans
Türkçe
2024
Savunma ve Savunma TeknolojileriSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. KEMAL ADEM
- Derin öğrenme mimarileri kullanılarak drone ile askeri araç ve silahların sınıflandırılması
Classification of military vehicles and weapons with drones using deep learning architectures with drones
DOĞAN EROL
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. KEMAL ADEM
- Derin öğrenme mimarileri kullanılarak dudak okuma ile konuşma tanıma sistemi tasarlanması
Designing a speech recognition system with lip reading using deep learning architectures
ALİ ERBEY
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. NECAATTİN BARIŞÇI
- Optimize derin öğrenme mimarileri ile diz kireçlenme derece tespiti
Detection of knee osteoarthritis degree via optimized deep learning architectures
AYSUN ÖCAL
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN KOYUNCU