Kalça displazisinin otomatik tespiti için u-net, alexnet ve densenet tabanlı hibrit bir derin öğrenme yaklaşımı
A hybrid deep learning approach based on u-net, alexnet and densenet for automatic detection of hip dysplasia
- Tez No: 1011212
- Danışmanlar: DOÇ. DR. DURMUŞ ÖZDEMİR
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Derin öğrenme, İnsan-yapay zeka etkileşimi, Deep learning, Human-artificial intelligence interaction
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Gelişimsel Kalça Displazisi (GKD), infantil dönemde erken teşhis edilmesi gereken önemli bir ortopedik bozukluktur. Erken tanı konulmadığı durumlarda, ilerleyen yaşlarda ciddi motor fonksiyon kayıpları ve cerrahi müdahale gerektiren komplikasyonlar ortaya çıkabilmektedir. Mevcut tanı süreçleri çoğunlukla klinik muayene ve ultrasonografi temellidir. Ancak bu yöntemlerin kullanıcı bağımlı olması, yorum farklılıklarına açık yapısı ve her sağlık merkezinde erişilebilir olmaması, X-ray görüntüleri üzerinden otomatik ve yüksek doğrulukta tanı sağlayabilecek yapay zekâ temelli sistemlerin geliştirilmesini zorunlu kılmaktadır.Mevcut literatürde, röntgen ayrıntıları ile GKD kayıtları üzerinde yapılan sayıca sınırlı olduğu ve bu şekilde kullanılan modellerin çoğunun düşük doğruluk oranlarına sahip olduğu görülmektedir. Ayrıca yapılan analizlerin derin öğrenme yöntemlerinin çoğunun tekil olarak faaliyet gösterdiği ve bu şekilde üretimin sınırlandırıldığı anlaşılmaktadır. Bu programlama temel amacı, Gelişimsel Kalça Displazisini kullanarak röntgen görüntülerini yüksek doğruluk oranı ile tespit edilebilir hibrit bir derin transfer öğrenme modeli geliştirmektir. Bu model ile tedavi görüntü analizi alanında yeni bir katkı sağlanması ve DDH tanısında daha güvenilir, hızlı ve doğru sonuçların elde edilmesi hedeflenmiştir. Gereç ve Yöntem: Tez çalışmasında üç aşamalı bir hibrit derin öğrenme mimarisi geliştirilmiştir. Modelin ilk aşamasında, görüntülerden düşük seviyeli özelliklerin segmentasyonu amacıyla U-Net mimarisi kullanılmıştır. U-Net, medikal görüntü işleme alanında sıklıkla kullanılan, özellikle segmentasyon görevlerinde başarılı sonuçlar veren bir yapay sinir ağı mimarisidir. Bu aşamada çıkarılan özellik haritası, daha sonra sınıflandırma için kullanılmak üzere sonraki aşamalara aktarılmıştır. İkinci aşamada, daha karmaşık ve soyut özelliklerin öğrenilmesi amacıyla DenseNet ve AlexNet mimarileri birleştirilmiştir. DenseNet'in katmanlar arası yoğun bağlantı özelliği, bilgi kaybını azaltarak daha verimli bir öğrenme sağlamaktadır. AlexNet ise özellikle düşük çözünürlüklü görüntülerde sınıflandırma başarısıyla bilinen bir mimaridir. Bu iki modelin birleştirilmesi ile hem derin hem de kompakt bir özellik çıkarımı gerçekleştirilmiş ve birinci aşamadan gelen segmentasyon haritası bu yapıya beslenmiştir. Son aşamada ise U-Net ve DenseNet-AlexNet birleşiminden elde edilen çıktılar birleştirilerek sınıflandırma işlemi gerçekleştirilmiştir. Model, görüntüleri“Displazi”ve“Normal”olmak üzere iki sınıfa ayırmaktadır. Modelin eğitimi için Mohammad Fraiwan ve arkadaşlarının“Detection of developmental dysplasia of the hip in X-ray images using deep transfer learning”başlıklı çalışmasında kullanılan açık erişimli veri seti kullanılmıştır. Bu veri seti, 4,5 ile 7 ay arasındaki yaş grubunda yer alan 354 bebeğe (120 DDH, 234 normal) ait pelvik anteroposterior X-ray görüntülerinden oluşmaktadır.Modelin test sürecinde performansını değerlendirmek amacıyla, Kaggle platformunda açık erişimli olarak paylaşılan ve toplamda 850 X-ışını görüntüsünden oluşan ikinci bir veri seti daha kullanılmıştır. Veri ön işleme aşamasında ise tüm görüntüler standart boyutlara getirilmiş ve pikseller, modelin öğrenme sürecini optimize etmek amacıyla normalize edilmiştir. Eğitim sürecinde Adam optimizasyon algoritması tercih edilmiş ve modelin genellenebilirliğini artırmak amacıyla 5 katlı çapraz doğrulama (K-Fold Cross Validation) yöntemi kullanılmıştır. Model performansı doğruluk (accuracy), hassasiyet (precision), özgüllük (specificity) ve F1 skoru gibi metriklerle değerlendirilmiştir. Bulgular: Geliştirilen hibrit modelin eğitim ve test sonuçları incelendiğinde, modelin yüksek doğruluk oranına ulaştığı görülmüştür. Eğitim süreci sonunda modelin genel doğruluk oranı %97 olarak hesaplanmıştır. Bunun yanı sıra hassasiyet ve özgüllük gibi diğer performans metriklerinde de başarılı sonuçlar elde edilmiştir. Özellikle U-Net mimarisiyle yapılan segmentasyonun ardından DenseNet ve AlexNet mimarilerinin birleştirilerek kullanılması, modelin öğrenme kapasitesini artırmış ve sınıflandırma performansını olumlu yönde etkilemiştir. Modelin farklı veri setleri üzerinde tutarlı ve başarılı sonuçlar vermesi, modelin genellenebilirliğinin yüksek olduğunu ve gerçek dünyada uygulanabilirliğe uygun olduğunu göstermektedir. Sonuç: Bu çalışma, röntgen görüntülerinden Gelişimsel Kalça Displazisi tespiti için hibrit bir derin öğrenme yaklaşımı sunarak mevcut literatüre önemli bir katkı sağlamaktadır. U-Net, DenseNet ve AlexNet mimarilerinin birleştirilmesiyle elde edilen üç aşamalı hibrit model, yüksek doğruluk ve güvenilirlik sunarak erken tanı sürecinde hekimlere yardımcı olabilecek bir karar destek sistemi potansiyeli taşımaktadır. Elde edilen bulgular, bu modelin sadece teorik anlamda değil, aynı zamanda klinik ortamlarda da uygulanabilir olduğunu göstermektedir. Gelecekte yapılacak çalışmalarla daha büyük veri setlerinin kullanılması, farklı yaş gruplarının ve görüntü kaynaklarının dahil edilmesiyle modelin performansı daha da artırılabilir. Ayrıca, modelin gerçek zamanlı çalışan bir yazılım ya da mobil uygulamaya entegre edilerek klinik uygulamalarda doğrudan kullanımı mümkün hale gelebilir. Böylece, tanı sürecinde zaman kazandıran ve insan hatasını minimize eden bir araç olarak sağlık sektöründe önemli bir rol üstlenebilir.
Özet (Çeviri)
Objective: Developmental Hip Dysplasia (GCD) is an important orthopedic disorder that needs to be diagnosed early in the infantile period. In cases where early diagnosis is not made, serious motor function losses and complications requiring surgical intervention may occur. Current diagnostic processes are mostly based on clinical examination and ultrasonography. However, the user-dependent nature of these methods, the open nature of the interpretation differences and the lack of accessibility in every health center necessitates the development of artificial intelligence-based systems that can provide automatic and high accuracy diagnosis through X-ray images.The images are displayed in the literature, x-ray details It is also understood that most of the deep learning methods performed operate singularly and in this way production is limited. The main purpose of this programming is to develop a hybrid deep transfer learning model that can be detected using Developmental Hip Dysplasia with high accuracy rate of x-ray images. With this model, it is aimed to make a new contribution in the field of treatment image analysis and to obtain more reliable, faster and accurate results in DDH diagnosis. Materials and Methods: A three-stage hybrid deep learning architecture has been developed in the thesis study. In the first phase of the model, the U-Net architecture was used to segment low-level features from images. U-Net is an artificial neural network architecture that is often used in the field of medical image processing, especially successful in segmentation tasks. The feature map extracted at this stage was then transferred to the next stages for use for classification. In the second phase, DenseNet and AlexNet architectures are combined to learn more complex and abstract features. The intensive interlayer connectivity feature of DenseNet provides more efficient learning by reducing information loss. AlexNet is an architecture known for its classification success, especially in low-resolution images. By combining these two models, both a deep and compact feature extraction has been realized and the segmentation map from the first stage is fed into this structure. In the last stage, the output obtained from the combination of U-Net and DenseNet-AlexNet was combined and the classification process was realized. The model divides the images into two classes,“Displazi”and“Normal”. For the training of the model, the open access data set used by Mohammad Fraiwan and colleagues in his work“Detection of developmental dysplasia of the hip in X-ray images using deep transfer learning”was used. This dataset consists of images of the pelvic anteroposterior X-ray of 4.5 infants (120 DDH, 234 normal) in the age group between 5 and 8 in total, shared with open access on the Kaggle platform, in order to evaluate the performance of the model during the test process In the data preprocessing phase, all images are standardized and pixels are normalized to optimize the learning process of the model. In the training process, the Adam optimization algorithm was preferred and a 5-fold cross-validation (K-Fold Cross Validation) method was used to increase the generalization of the model. Model performance was assessed by metrics such as accuracy (accuracy), precision (precision), specificity (specificity), and F1 score. Results: When the training and test results of the developed hybrid model were examined, it was seen that the model reached a high accuracy rate. At the end of the training process, the overall accuracy of the model was calculated as 97%. In addition, successful results have been achieved in other performance metrics such as sensitivity and specificity. Especially after the segmentation with the U-Net architecture, the combination of DenseNet and AlexNet architectures has increased the learning capacity of the model and positively affected the classification performance. The fact that the model gives consistent and successful results on different datasets shows that the generalability of the model is high and is suitable for real-world applicability. Conclusion: This study makes a significant contribution to existing literature by providing a hybrid deep learning approach for the detection of Developmental Hip Dysplasia from X-ray images. The three-stage hybrid model, achieved by combining U-Net, DenseNet and AlexNet architectures, offers high accuracy and reliability, and has the potential for a decision support system that can help physicians in the early diagnosis process. The findings show that this model is not only applicable in theoretical terms, but also in clinical settings. The use of larger data sets with future studies, the performance of the model can be further improved by the inclusion of different age groups and image sources. In addition, the model can be integrated into a real-time running software or mobile application, making it possible to use it directly in clinical applications. Thus, it can play an important role in the health sector as a tool that saves time and minimizes human error during the diagnostic process.
Benzer Tezler
- Görüntü işleme teknikleri ile gelişimsel kalça displazisi teşhisi
Diagnosis of developmental hip dysplasia with image processing
KERİM KÜRŞAT ÇEVİK
Doktora
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HASAN ERDİNÇ KOÇER
- Gelişimsel kalça displazisinin tedavisinde innominant osteotomi sonuçları
Başlık çevirisi yok
KENAN TİŞKAYA
Tıpta Uzmanlık
Türkçe
1999
Ortopedi ve TravmatolojiUludağ ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
DOÇ. DR. BARTU SARISÖZEN
- Köpeklerde kalça displazisinin erken tanısında pennhip distraksiyon ve O.F.A. (Hayvan Ortopedi Birliği) radyografik görüntüleri ile fiziksel muayene yöntemlerinin karşılaştırılmalı olarak kullanımı
Comparison of the O.F.A. (Orthopedic Foundation for Animals) and pennhip distraction radiographic views with physical examinations method in the early diagnosis of dogs with hip dysplasia
EBRUHAN ZENGİN
Doktora
Türkçe
2009
Veteriner Hekimliğiİstanbul ÜniversitesiVeterinerlik Cerrahisi Ana Bilim Dalı
PROF. DR. SERHAT ÖZSOY
- Köpeklerde kalça displazisinin juvenil pubic symphysiodesis (JPS) tekniği ile sağaltımı üzerine klinik çalışmalar
Clinical studies of hip dysplasia treatment with juvenil pubic symphysiodesis (JPS) technique in dogs
NEVZAT AKIŞ
Yüksek Lisans
Türkçe
2010
Genel CerrahiAdnan Menderes ÜniversitesiVeterinerlik Cerrahisi Ana Bilim Dalı
PROF. DR. ALİ BELGE
- Gelişimsel kalça displazisinin medial addüktor yaklaşımla açık redüksiyonunun klinik ve radyolojik sonuçları
Clinical and radiological results of open reduction with medial adductor approach of developmental dysplasia of the hip (DDH)
İSMAİL YÜKÜNÇ
Tıpta Uzmanlık
Türkçe
2010
Ortopedi ve TravmatolojiKaradeniz Teknik ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
DOÇ. DR. HAFIZ AYDIN