Derin öğrenme ile radyolojik görüntü üzerinden kemik yaşı tespiti
Bone age assessment with deep learning, from radiologic images
- Tez No: 603518
- Danışmanlar: DR. ÖĞR. ÜYESİ LALE ÖZYILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 88
Özet
Çocuk gelişimini takip etmek, hormonel problemleri anlamak ve gidermek ayrıca terapik tedaviler için yaş tespiti yapmak çok önemlidir. Kemik yaşı ve kronolojik yaş arasında fark olması bir problemin olduğunu göstermektedir. Bu tez çalışmasında yaş tespiti gerçekleştirmek için evrişimsel sinir ağları ve görüntü işleme teknikleri kullanıldı. 7.9 ay hata payı ile yaşları sınıflandırılarak elde edilen sonuçlarla %88 doğruluğa ulaşıldı. Ayrıca ön işlemede Canny filtresi, Diferansiyel Gauss ve À Trous dalgacık kenar belirleme yöntemleri kullanılarak elde edilen doğruluk değerlerinde ortalama %10-15 artış sağlandı. Kenar bulma filtresi uygulandığında doğruluk oranında artışlar görüldü. Maksimum artışlardan bir tanesi %18,82 değeri ile Resnet50 ağında DoG filtresi uygulaması ve ham görüntü arasındaki fark olarak ortaya çıktı. Doğruluk değerlerindeki değişiklik verinin ve kenar bulma yöntemlerinin farklı olmasından bununla beraber evrişim ağının yapısından kaynaklanmaktadır. Bazı durumlarda doğruluk oranı ile gürültü oranının ilişkisi olduğunu düşünülebilir. Burada kenar bulma yöntemlerinden biri olan A^`Trous alt geçiren filtre en yüksek gürültüye sahiptir dolayısıyla daha yüksek gürültü sonucu daha düşük doğruluk ile sonuç vermektedir. Diferansiyel Gauss ve Canny filtresi A^` Trous'a göre daha az gürültü göstermektedir bu nedenle bazı durumlarda doğruluk oranı yüksek çıkmaktadır. Aynı veri seti için üç farklı evrişim ağı (Mobilnet-Inceptionv3-Resnet50) kullanıldı. Bu ağların mimarileri ve evrişim (konvolüsyon) işlemi farklı olduğu için farklı sonuçlar ortaya çıktı. Çalışmada yapılan diğer bir analiz ise elin karpal ve metakarpal bölgelerini ayrı ayrı değerlendirerek evrişim ağında elin hangi bölgesi yüksek bir doğruluk verdiği incelendi. Böylece hangi bölge yaş tespiti üzerine daha etkili olduğu ortaya konuldu. Elde edilen maksimum doğruluk değerlerinden bir tanesi kadın veri setinde Mobilnet ağı kullanılarak %92 olarak bulundu. Karpal ve metakarpal bölgeler arasındaki en büyük fark aynı kadın veri setinde Mobilnet üzerinde %24 değerinde ortaya çıktı. Sonuç olarak bu çalışmada ön filtreleme işlemleri ve ikili segmentasyon yönteminin evrişim sinir ağlarının sonuçlarına büyük bir katkı sağladığı görünmektedir.
Özet (Çeviri)
Radiographic image assessment is one of the most common methods to monitor physical conditions and diagnose disorders in the growth process. There are various methods for bone age assessment, such as Tanner-Whitehouse [TW], Greulich and Pyle (G&P) methods, In this theses, it is applied different convolutional neural networks (Resnet50, Mobilnet v1, Inceptionv3) for bone age assessment, additionally we compared different convolutional neural networks with different preprocessing based on edge detection (Canny edge detection, Differential Gaussian filters (DoG), À Trous wavelet low pass filter) , the result of CNN in filtered images exhibits a noticeable improvement compared to the result of non-filtered images. The ages between 0 and 7 are analyzed within 7.9 months with different categorical assessment of female, male, and female-male. It is observed that there is 18,86% improvement between filtered images and non-filtered images. The proposed method reached 88% for female dataset. In this thesis we analyzed effect of different part of hand for bone age assessment, first we cropped carpal and metacarpal parts of hand then by classification with different three convolutional neural networks (Mobilnet, Inceptionv3, and Resnet50). It is obvious, which carpal section has a huge effect on bone age assessment, the output difference between carpal and metacarpal in the same dataset has %24 percentage and it shows that through bone age assessment carpal parts of hand has more effect than metacarpal section.
Benzer Tezler
- Direkt radyografilerde derin öğrenme tabanlı nesne tanıma algoritması ile otomatik fraktür tespiti
Automatic fracture detection with deep learning based object detection algorithm in direct radiography
GÜL GİZEM PAMUK
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. AHMET TAN CİMİLLİ
- Derin öğrenme ile sosyal ağlarda radyolojik görüntü ve metin tabanlı medikal kavram tespiti
Radiological image and text based medical concept detection in social networks with deep learning
SÜMEYYE BAYRAKDAR
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM YÜCEDAĞ
- Akciğer bilgisayarlı tomografilerinden görüntü işleme ve derin öğrenme ile COVID-19 tespiti
COVID-19 detection with image processing and deep learning from lungs computed tomography
FEYZANUR BANU DEMİR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiBursa Uludağ ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERSEN YILMAZ
- Tomografi görüntülerinden akciğer hastalıklarının tespiti amaçlı bir derin öğrenme modelinin geliştirilmesi
Development of deep learning model for detection of lung diseases from tomography images
GÖKHAN KARABAĞ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞÜKRÜ ÖZEN
- COVID-19 hastalığının derin öğrenme yöntemleri kullanılarak tespiti
Detection of COVID-19 disease using deep learning methods
HÜSEYİN YAŞAR
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN