Geri Dön

Yapay zeka ve derin öğrenme teknolojileri ile kalça eklemi radyografilerinde femoral komponentin tanınması

Identifying femoral stems from pelvic x-ray with deep learning and artificial intelligence algorithm

  1. Tez No: 686657
  2. Yazar: AHMET METİN ÖZSEZEN
  3. Danışmanlar: PROF. DR. CEMİL YILDIZ
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Ortopedi ve Travmatoloji, Orthopedics and Traumatology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: Gülhane Tıp Fakültesi
  11. Ana Bilim Dalı: Ortopedi ve Travmatoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 82

Özet

Revizyon cerrahisinin planlanmasında en önemli basamaklardan biri var olan implantların marka, model ve tasarımının bilinmesidir. Mevcut veri tabanları ve hasta kayıtları ile implantların marka ve modelinin tespit edilmesinde zorluklar yaşanmaktadır. Elimizdeki en güvenilir kaynak çoğunlukla radyografidir. Ancak sık artroplasti uygulayan cerrahlar bile benzer geometrik tasarımlara sahip implantları radyografilerden ayırt etmekte zorlanmaktadır. Son yıllarda hızlı bir gelişim gösteren yapay zeka teknolojileri ortopedi ve tıbbın diğer kollarında büyük veri setleri değerlendirilebilmekte, tıbbi görüntüleri işleyerek yorumlayabilmekte ve tıbbi belgeler üzerinden doğal dil işleme algoritmaları ile değerlendirmeler yapabilmektedir. Çalışmada amacımız revizyon cerrahileri için zorlu bir basamak olan femoral komponentleri tespit edebilmek için bir yapay zeka algoritması geliştirmektir. Çalışmaya kliniğimizde sık kullanılan 4 tasarım (Corail (Depuy®), M/L Taper (Zimmer), SL-PLUS (Smith&Nephew) ve Alloclassic®Zweymüller® (Zimmer)) ile ameliyat edilmiş hastaların grafileri dahil edildi. Radyografiler 80:10:10 oranında eğitim, doğrulama ve test seti olacak şekilde ayrıldı. Tensorflow alt yapısı kullanılarak, Xception yapay sinir ağı mimarisi ile dört stem tasarımını birbirinden ayırabilen bir algoritma geliştirildi ve daha önce karşılaşmadığı röntgenler ile teste tabii tutuldu. Çalışmaya toplam 134 hastanın grafileri dahil edildi. Veri arttırımı yapıldıktan sonra 82 hastanın 2330 görüntüsü ile model eğitildi. 29 hastanın görüntüleri ile test edildi. Algoritma tarafından dört tasarım da %100 oranda birbirinden ayırt edildi. Modelin doğrulama keskinliği 0.9931, eğitim keskinliği 1.00 doğrulama hatası 0.0416 ve eğitim hatası 0.0182 olarak saptandı. Yapay sinir ağları kullanılarak eğitilen modeller ile revizyon cerrahileri öncesinde implantların tanınmasında kullanışlı bir yöntem olabilir. Farklı tasarımlar ile ilgili veriler ile beslenerek model geliştirilip genellenebilir bir hale getirilebilir.

Özet (Çeviri)

One of the most important steps in planning revision surgery is to know the brand, model and design of the implant. There are difficulties in determining the brand and model of the implant with existing databases and digital health records. To date the most reliable source to detect the type of implant is radiography. However even high volume arthroplasty surgeons have difficulty identify implants with similar geometric desings with radiography. Artificial intelligence technologies, which have developed rapidly in recent years, can evaluate large data sets in orthopedics and other branches of medicine, process and interpret medical images, and make evaluations with natural language processing algorithms on medical documents. The aim of this study is to develop an artifical intelligence algorithm to identify femoral components which is a challenging step for revision surgeries. Radiographs of patients operated with 4 different designs: (Corail (Depuy®️), M/L Taper (Zimmer), SL-PLUS (Smith&Nephew) ve Alloclassic®️Zweymüller®️ (Zimmer)) commonly used in our clinic were included in this study. The radiographs were divided into training, verification and test sets at a ratio of 80:10:10. An algorityhm was developed for indentifing four different femoral stem design using Tensorflow infrastructure, Xception neural network library. Algorityhm was tested with a different image subset. Radiographs of 134 patients in total were included. After increasing the data, the model was trained with 2330 images of 82 patients and tested with images of 29 patients. With the developed algorithm four designs were distinguished from one and other by %100. The verification acuity of the model was 0.9931, the education acuity was 1.00, the verification error was 0.0416, and the training error was 0.0182. training models using artificial neural networks can be a useful method for identifying implants prior to revision surgery. By feding with data on different designs, the model can be developed and generalized

Benzer Tezler

  1. Darteasy automated dart scoring system using deep learning

    Darteasy derin öğrenme ile otomatik dart skorlama sistemi

    ÖMER ALPEREN KOZA

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOSTİM TEKNİK ÜNİVERSİTESİ

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ OSMAN AKIN

  2. Elektronik izleme uygulanan hükümlülerin hareketliliğinin mekansal-zamansal analizi: İstanbul ili örneği

    Spatio-temporal analysis of applied electronic monitoring on parolees of mobility: A case study in Istanbul

    YUNUS SERHAT BIÇAKÇI

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. DURSUN ZAFER ŞEKER

  3. Missile evasion maneuver generation with model-free deep reinforcement learning

    Modelden bağımsız derin pekiştirmeli öğrenme ile füzeden kaçınma manevraları

    MUHAMMED MURAT ÖZBEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    DOÇ. DR. EMRE KOYUNCU

  4. Generative adversarial networks based level generation for angry birds

    Çekişmeli üretici ağlar ile angry birds bölümlerinin üretilmesi

    BURKAN YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Oyun ve Etkileşim Teknolojileri Ana Bilim Dalı

    DOÇ. DR. SANEM SARIEL UZER

  5. Uzaktan eğitimde öğrencilerin duygularını yapay zekâ ile tespit ederek dönüt sağlayan ortamın tasarımı ve değerlendirilmesi

    Design and evaluation of an environment that provides feedback by detecting students emotions with artificial intelligence in distance education

    AHMET DOĞUKAN SARIYALÇINKAYA

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrabzon Üniversitesi

    Bilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı

    PROF. DR. HASAN KARAL