Dikkat mekanizmalarıyla geliştirilmiş çok sınıflı pediatrik el bileği lezyon tespiti
Multi-class pediatric wrist lesion detection using an attention-enhanced YOLO8-based deep learning model
- Tez No: 1025673
- Danışmanlar: PROF. DR. ENGİN AVCI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayarlı görüntüleme, Radyolojik görüntüleme, Sayısal görüntü işleme, Tıbbi görüntüleme, Computer imaging, Digital image processing, Medical imaging
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada pediatrik el bileği radyografileri üzerinde çok sınıflı lezyon tespiti amacıyla derin öğrenme tabanlı nesne tespiti modellerinin performansları incelenmiştir. Çalışmada GRAZPEDWRI-DX veri seti kullanılmış ve veri setinde yer alan fracture, boneanomaly, bonelesion, metal, periostealreaction, pronatorsign ve softtissue sınıfları değerlendirilmiştir. Veri setindeki foreignbody ve text sınıfları çalışma kapsamı dışında bırakılmış, ayrıca anotasyon içermeyen görüntüler çıkarılarak toplam 13.940 görüntüden oluşan yeni bir veri seti oluşturulmuştur. Çalışmada temel model olarak YOLOv8 kullanılmış, model performansını artırmak amacıyla Convolutional Block Attention Module (CBAM) ve Squeeze-and-Excitation (SE) dikkat mekanizmaları YOLOv8 mimarisine entegre edilmiştir. Ayrıca elde edilen sonuçlar YOLOv7 modeli ile karşılaştırılmıştır. Tüm modeller aynı veri bölünmeleri ve eğitim parametreleri kullanılarak eğitilmiş ve test edilmiştir. Model performansları Kesinlik, Duyarlılık, [email protected] ve [email protected]:0.95 metrikleri ile değerlendirilmiştir. Deneysel sonuçlar dikkat mekanizmalarının YOLOv8 performansını artırdığını göstermiştir. YOLOv8 modeli 0.472 [email protected] değeri elde ederken, CBAM ve SE mekanizmaları ile bu değerler sırasıyla 0.537 ve 0.532 seviyelerine yükselmiştir. Çalışmada en yüksek performans ise 0.552 [email protected] ve 0.324 [email protected]:0.95 değerleri ile YOLOv7 modeli tarafından elde edilmiştir. Sınıf bazlı analizlerde fracture ve metal sınıflarında yüksek başarı elde edilirken, veri setinde daha az örnek içeren boneanomaly ve bonelesion sınıflarında performansın düştüğü gözlemlenmiştir. Elde edilen sonuçlar dikkat mekanizmalarının özellikle zor ve az örnek içeren sınıflarda performans artışı sağlayabildiğini göstermektedir. Çalışmanın, yapay zekâ destekli karar destek sistemlerinin geliştirilmesine ve pediatrik radyografilerin otomatik analizine katkı sağlaması beklenmektedir.
Özet (Çeviri)
In this study, the performance of deep learning-based object detection models was investigated for multi-class lesion detection on pediatric wrist radiographs. The GRAZPEDWRI-DX dataset was used and seven lesion classes, namely fracture, boneanomaly, bonelesion, metal, periostealreaction, pronatorsign, and softtissue, were evaluated. The foreignbody and text classes were excluded from the study, and images without annotations were removed, resulting in a dataset consisting of 13,940 images. YOLOv8 was employed as the baseline object detection model. To improve detection performance, Convolutional Block Attention Module (CBAM) and Squeeze-and-Excitation (SE) attention mechanisms were integrated into the YOLOv8 architecture. In addition, the obtained results were compared with the YOLOv7 model. All models were trained and evaluated using identical data splits and training parameters. Performance was assessed using Precision, Recall, [email protected], and [email protected]:0.95 metrics. Experimental results demonstrated that attention mechanisms improved the performance of the baseline YOLOv8 model. While YOLOv8 achieved an [email protected] score of 0.472, the CBAM and SE enhanced models achieved 0.537 and 0.532, respectively. The highest overall performance was obtained by YOLOv7 with [email protected] and [email protected]:0.95 values of 0.552 and 0.324, respectively. Class-based analyses revealed strong performance on fracture and metal classes, whereas lower performance was observed for boneanomaly and bonelesion classes due to limited sample availability. The results indicate that attention mechanisms can improve object detection performance, particularly for challenging and underrepresented classes. The proposed approach may contribute to the development of artificial intelligence-assisted clinical decision support systems and automated analysis of pediatric radiographs.
Benzer Tezler
- Bazı sert çekirdekli meyve türlerinde döllenme biyolojisi üzerinde yöntem çalışmaları
Başlık çevirisi yok
ATBİMOĞLU ADALET
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Çocuklarda akut stres hiperglisemisinde hormonal değişikliklerin ve kısa süreli prognozun incelenmesi
Başlık çevirisi yok
AYGÜN DİNDAR
Tıpta Uzmanlık
Türkçe
1987
Çocuk Sağlığı ve Hastalıklarıİstanbul ÜniversitesiÇocuk Sağlığı ve Hastalıkları Hemşireliği Ana Bilim Dalı
DOÇ. DR. HÜLYA GÜNÖZ
- Konfeksiyon işletmelerinde performans ölçümleri ve işgücü planlanmasına katkıları
Başlık çevirisi yok
SEVİN BRAV
Yüksek Lisans
Türkçe
1985
İşletmeEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. M. NAZMİ ERCAN