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
- Tez No: 686657
- Danışmanlar: PROF. DR. CEMİL YILDIZ
- Tez Türü: Tıpta Uzmanlık
- Konular: Ortopedi ve Travmatoloji, Orthopedics and Traumatology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Gülhane Tıp Fakültesi
- Ana Bilim Dalı: Ortopedi ve Travmatoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Darteasy automated dart scoring system using deep learning
Darteasy derin öğrenme ile otomatik dart skorlama sistemi
ÖMER ALPEREN KOZA
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOSTİM TEKNİK ÜNİVERSİTESİBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OSMAN AKIN
- 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
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. EMRE KOYUNCU
- Generative adversarial networks based level generation for angry birds
Çekişmeli üretici ağlar ile angry birds bölümlerinin üretilmesi
BURKAN YILMAZ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiOyun ve Etkileşim Teknolojileri Ana Bilim Dalı
DOÇ. DR. SANEM SARIEL UZER
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrabzon ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. HASAN KARAL