Geri Dön

Makine öğrenme algoritmaları ve yapay sinir ağları kullanılarak crista galli'den elde edilen parametreler ile cinsiyet tahmini

Gender prediction using machine learning algorithms and artificial neural networks with parameters derived from crista galli

PDF İndir

  1. Tez No: 1018125
  2. Yazar: ZUHEIR KAOUK
  3. Danışmanlar: DOÇ. DR. NESİBE YILMAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Anatomi, Anatomy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Karabük Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Anatomi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışma, kafatası tabanında önemli bir anatomik yapı olan crista galli'den elde edilen morfometrik parametrelerin cinsiyet tayinindeki doğruluğunu makine öğrenmesi (MÖ) algoritmaları ve yapay sinir ağları (YSA) kullanarak değerlendirmeyi amaçladı. Çalışma, Karabük Üniversitesi Girişimsel Olmayan Yerel Etik Komitesi onayı ile 18–65 yaş aralığındaki 100 kadın ve 100 erkek olmak üzere toplam 200 bireye ait bilgisayarlı tomografi (BT) anjiyo görüntüleri üzerinden retrospektif olarak gerçekleştirildi. Görüntüler Radiant DICOM Viewer programının 3D Multiplanar Reconstruction (MPR) konsolu aracılığıyla analiz edildi. Crista galli'nin koronal uzunluğu, aksiyel uzunluğu ve aksiyel genişliği milimetrik düzeyde ölçüldü. Buna ek olarak Keros sınıflandırması ile crista galli morfolojik tipleri (damla, tübüler, kemikleşmiş) kategorize edildi. Veriler Python 3.9 programlama dili ve scikit-learn kütüphanesi kullanılarak işlendi ve sürekli değişkenler StandardScaler yöntemiyle standartlaştırıldı. Aşırı uyumu engellemek amacıyla 10 katlı çapraz doğrulama stratejisi uygulandı. Çalışmada Lojistik Regresyon, Destek Vektör Makinesi, K-En Yakın Komşu, Karar Ağacı, Rastgele Orman, Gradient Boosting, AdaBoost, Ekstra Ağaç Sınıflandırıcı, Bagging, Gaussian Naive Bayes, Multinomial Naive Bayes, Bernoulli Naive Bayes, Doğrusal Ayırt Edici Analiz, Kuadratik Ayırt Edici Analiz ve Çok Katmanlı Perceptron (MLP) sinir ağı olmak üzere toplam 15 model karşılaştırıldı. Elde edilen bulgulara göre crista galli'nin koronal uzunluğu erkeklerde 14,1 (7,0–19,4) mm, kadınlarda 12,9 (8,8–18,4) mm; aksiyel uzunluğu erkeklerde 9,4 (5,8–14,6) mm, kadınlarda 10,7 (6,6–14,6) mm; aksiyel genişliği ise erkeklerde 3,4 (1,7–6,7) mm, kadınlarda 4,3 (1,9–7,1) mm olarak ölçülmüş olup tüm parametreler için cinsiyetler arasındaki fark istatistiksel olarak anlamlı bulunmadı (p<0,05). Keros sınıflandırması ve crista galli morfolojik tipleri ile cinsiyet arasında istatistiksel olarak anlamlı bir ilişki saptanmadı (p>0,05). MÖ modelleri arasında %20 test setinde en yüksek doğruluk oranı Ekstra Ağaç Sınıflandırıcı (ETC) modeli ile 0,83 olarak elde edilirken, Gradient Boosting algoritması 0,88 AUC değeriyle en yüksek ayırt edici gücü sergilendi. 10 katlı çapraz doğrulama analizinde ise en yüksek doğruluk oranı Rastgele Orman algoritması ile 0,7688 ± 0,0782 olarak bulundu. SHAP çözümlemesi sonucunda cinsiyet tahminine en yüksek katkıyı sağlayan parametrenin aksiyel crista galli uzunluğu olduğu belirlendi. Çalışma sonucunda elde edilen verilere göre, crista galli morfometrik parametrelerinin gelişmiş hesaplama algoritmalarıyla birlikte kullanılmasının adli tıp ve antropoloji alanlarında yüksek doğruluklu cinsiyet tahmini için güvenilir bir yöntem sunduğunu ortaya koyuldu.

Özet (Çeviri)

This study aimed to evaluate the accuracy of sex determination using morphometric parameters obtained from the crista galli, an important anatomical structure of the skull base, through machine learning (ML) algorithms and artificial neural networks (ANNs). The study was conducted retrospectively on computed tomography angiography (CTA) images of 200 individuals, consisting of 100 females and 100 males aged between 18 and 65 years, following approval from the Non-Interventional Local Ethics Committee of Karabük University. The images were analyzed using the 3D Multiplanar Reconstruction (MPR) console of the RadiAnt DICOM Viewer software. The coronal length, axial length, and axial width of the crista galli were measured in millimeters. In addition, Keros classification and crista galli morphological types (drop-shaped, tubular, and ossified) were categorized. Data were processed using Python 3.9 and the scikit-learn library, and continuous variables were standardized using the StandardScaler method. To prevent overfitting, a 10-fold cross-validation strategy was employed. A total of 15 models were compared, including Logistic Regression, Support Vector Machine, K-Nearest Neighbors, Decision Tree, Random Forest, Gradient Boosting, AdaBoost, Extra Trees Classifier, Bagging, Gaussian Naive Bayes, Multinomial Naive Bayes, Bernoulli Naive Bayes, Linear Discriminant Analysis, Quadratic Discriminant Analysis, and a Multilayer Perceptron (MLP) neural network. According to the findings, the coronal length of the crista galli was measured as 14.1 (7.0–19.4) mm in males and 12.9 (8.8–18.4) mm in females; the axial length was 9.4 (5.8–14.6) mm in males and 10.7 (6.6–14.6) mm in females; and the axial width was 3.4 (1.7–6.7) mm in males and 4.3 (1.9–7.1) mm in females. Statistically significant differences between sexes were observed for all morphometric parameters (p < 0.05). No statistically significant association was found between sex and either Keros classification or crista galli morphological types (p > 0.05). Among the ML models, the Extra Trees Classifier (ETC) achieved the highest accuracy on the 20% test set, with a score of 0.83, whereas the Gradient Boosting algorithm demonstrated the greatest discriminative performance with an AUC value of 0.88. In the 10-fold cross-validation analysis, the highest accuracy was obtained with the Random Forest algorithm (0.7688 ± 0.0782). SHAP analysis revealed that axial crista galli length was the most influential parameter contributing to sex prediction. Based on the findings of this study, the use of crista galli morphometric parameters in combination with advanced computational algorithms appears to provide a reliable and highly accurate method for sex estimation in forensic medicine and anthropological applications.

Benzer Tezler

  1. Tez No

    1017625

    Processus mastoideus'a ait bilgisayarlı tomografi görüntülerinden elde edilen parametrelerle makine öğrenme algoritmaları ve yapay sinir ağları kullanılarak cinsiyet ve yaş tahmini

    Sex and age prediction using machine learning algorithms and artificial neural networks based on parameters derived from computed tomography images of the mastoid process

    EMRE YILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    AnatomiKarabük Üniversitesi

    Temel Tıp Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YUSUF SEÇGİN

  2. Tez No

    834464

    Tekstil sektöründe yapay sinir ağları ve topluluk öğrenme algoritmaları kullanılarak kumaş eninin tahmini

    Prediction of fabric width using artificial neural networks and ensemble learning algorithms in the textile industry

    İREM SOYLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İstatistikDokuz Eylül Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. NESLİHAN DEMİREL

  3. Tez No

    737877

    Modeling educational data with machine learning methods

    Eğitim verilerinin makine oğrenmesi algoritmaları kullanılarak modellenmesi

    AYŞE İLKNUR DİLEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür Üniversitesi

    Matematik ve Bilgisayar Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET FATİH UÇAR

  4. Tez No

    733690

    Pekiştirmeli öğrenme ve yapay sinir ağları ile suüstü harbinin modellenmesi

    Modeling of surface warfare with reinforcement learning and artificial neural network

    RAGIP ZİLCİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Savunma ve Savunma TeknolojileriGebze Teknik Üniversitesi

    Savunma Bilimi ve Teknolojisi Ana Bilim Dalı

    PROF. DR. AYHAN DEMİRİZ

  5. Tez No

    318595

    Diagnosis of pulmonary diseases from lung sounds by machine learning algorithms

    Göğüs hastalıklarının akciğer seslerinden makine öğrenme algoritmaları ile teşhisi

    MEHMET CEMAL ATLIOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. NAHİT EMANET

Geri Dön