Geri Dön

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

PDF İndir

  1. Tez No: 800676
  2. Yazar: GÜL GİZEM PAMUK
  3. Danışmanlar: PROF. DR. AHMET TAN CİMİLLİ
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: Bağcılar Eğitim ve Araştırma Hastanesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 98

Özet

Giriş ve Amaç:Kemik fraktürleri acil servislerde çok yaygın görülen ortopedik travmatik acil sebeplerinden biridir.Travma sonrası kırık tespitinde direkt radyografi ilk başvurulması gereken tanı yöntemidir. Fakat bazı fraktürlerin direkt radyografi ile tanı konulması hem radyologlar hem de diğer branş doktorları için oldukça zorlayıcıdır.Acil servislerde yanlış tanı konulan ve bunun sonucunda hastanın zarar gördüğü durumların %41-%80'nini direkt radyografide görülen kırıkları yanlış yorumla oluşturur. İskelet yaralanmalarının, özellikle de apendiküler iskelet yaralanmalarının geç teşhis edilmesi veya gözden kaçması, radyografideki malpraktis davalarının en büyük nedenidir.Son yıllarda derin öğrenme yöntemleri kullanılarak fraktür tespit eden çalışmalar, derin öğrenme teknolojisinin fraktür tespitinde kolaylık sağlayıp yanlış yorumlama oranını belirgin azaltmada yardımcı yöntem olarak kullanılabildiğini göstermiştir. Genel olarak bu çalışmalar direkt grafileri el-el bileği- ön kol gibitek bir bölgeile sınırlandırarak fraktür tespitinde yoğunlaşmıştır. Biz ise çalışmamızda insan vücudundaki apendiküler iskeleti içeren direkt grafilerde derin öğrenme tabanlı nesne tanıma algoritması ile otomatik fraktür tespiti yapmayı ve bu grafileri yorumlayacak olan hekimlerin duyarlılığını artırmayı, hekimlere karar destek mekanizması sağlamayı, tanı koyma süresini kısaltmayı, fraktürlerin gözden kaçmasını önleyerek yanlış/eksik tanı sonrası oluşabilecek komplikasyonları ve bunun sonucunda da hekimlerin karşılaşabileceği malpraktis davalarını önlemeyi hedefledik. Gereç ve Yöntem:Çalışmamız retrospektif olup Bağcılar Eğitim ve Araştırma Hastanesi PACS sisteminden (Bağcılar veri seti) 4354 adet, Radiopaedia veri setinden 4632 adet olmak üzere toplam 8986 adet direkt radyografi görüntüsünü içermektedir.Görüntüler lokal bilgisayar ortamında Massachusetts Institute of Technology (MIT) lisanslı Intel®'e bağlı açık kaynak“ComputerVisionAnnotationTool”(CVAT, www.cvat.ai) kullanılarak 5 yıl deneyimli bir radyolog tarafından bounding-box(sınırlayıcı kutucuk) yöntemi ile işaretlenmiştir. Veri seti işaretlenirken ilgili görüntülere anatomik lokasyonu belirtecek sınıflar atanmıştır. İşaretlemeler kaydedilirken YOLO işaretleme formatı tercih edilmiştir. İşaretlenmiş olan görüntülerde model eğitimi öncesinde kontrast ile sınırlandırılmış adaptif histogram eşitleme (CLAHE) ön işlemleme metodu uygulanmıştır.Çalışmaya dahil edilen verilerin 7678 adeti eğitim, 854 adeti validasyon, 454 adeti test veri setine ayrılmıştır.“StratifiedShuffleSplit”algoritması sayesinde eğitim, validasyon ve test veri setlerinin anatomik lokasyon ve fraktür bakımından dağılımları korunmuştur. Geliştirilecek olan modellerin genelleştirilebilirliğiniartırmak ve eğitim sürecinde model ezberlemesi olarak da ifade edilen“overfitting”i engellemek için model eğitimi esnasında“online”olarak eğitim seti üzerinde veri çoğaltımı yapılmıştır. Çalışmamızda derin öğrenme tabanlı nesne tanıma modeli olarak YOLOv7 nesne tanıma algoritması kullanılmıştır.Model eğitim süreci aktif olarak takip edilmiş olup model validasyon metriğinin (mAP50='meanavarageprecision') daha fazla artış göstermediği aşamada eğitim durdurulmuş ve en yüksek mAP50 parametresine ulaşılan model test aşamasında kullanılmıştır. Validasyon aşamasında her bir kutucuk tahmini kutucuk metriklerinden sıkça kullanılan mAP50, mAP50:95, kesinlik (pozitif prediktif değer), duyarlılık hesaplamaları ile değerlendirilmiştir. Ayrıca görüntü bazlı genel pozitiflik ve negatifliğe göre kesinlik, duyarlılık, özgüllük ve f1 skorları hesaplanmıştır. Test veri setinde model tahminleri yapılmıştır. Genel radyolojide 21 yıl deneyimli (RAD2) , 6 yıl deneyimli (RAD1) ve 3 yıl deneyimli (RAD3) üç ayrı radyolog test veri setindeki görüntülerde fraktür varlığı veya yokluğu bakımından değerlendirme yapmıştır.Model başarımlarının değerlendirilmesinde mAP50, mAP50:95, kesinlik, duyarlılık metrikleri ölçülmüştür. Radyologlar arası uyum için Cohen's Kappa değeri elde edilmiştir. Model öncesi ve sonrası radyolog performansı arasındaki farkların değerlendirilmesi için McNemar testi uygulanmıştır. Sonuçların değerlendirilmesinde p

Özet (Çeviri)

Introduction and Aim: Bone fractures are one of the most common causes of orthopedic traumatic emergencies in emergency departments. Radiography (X-Ray) is the first diagnostic method to be applied in post-traumatic fracture detection. However, diagnosing some fractures by direct radiography is quite challenging for both radiologists and other doctors. Failure to identify fractures is the most common diagnostic error, which may account for 41– 80% of diagnostic errors in the ED (emergency department), as a result of this, the patient is harmed. Late diagnosis or missed of skeletal injuries, particularly appendicular skeletal injuries, is a major cause of radiography malpractice suits. In recent years, studies that detect fractures using deep learning methods have shown that deep learning technology can be used as an auxiliary method in facilitating fracture detection and significantly reducing the rate of misinterpretation. These studies focused on fracture detection by limiting radiographs to a single anatomic region such as hand, wrist, forearm. In our study, we aimed to perform automatic fracture detection with a deep learning-based object detection algorithm in radiographs containing the appendicular skeleton of the human body, to increase the sensitivity of physicians who will interpret these radiographs, to provide physicians with a decision support mechanism, to shorten the diagnosis time, to prevent missed fractures and malpractice suits. Material and methods: Our study is retrospective and includes a total of 8986 direct radiography images, consisting of 4354 images from the Bağcılar dataset obtained from Bağcılar Education and Research Hospital PACS system, and 4632 images from the Radiopaedia dataset. The images were annotated using the bounding-box method by a 5 years experienced radiologist using the Massachusetts Institute of Technology (MIT) licensed Intel® open-source“Computer Vision Annotation Tool”(CVAT, www.cvat.ai) on a local computer. Classes that indicate the anatomical location of the relevant images were assigned during the annotation of the dataset. The YOLO annotation format was preferred while saving the annotations. Adaptive histogram equalization with limited contrast (CLAHE) preprocessing method was applied to the annotated images before model training. Of the data included in the study, 7678 were splitted to the training set, 854 to the validation set, and 454 to the test set. The“StratifiedShuffleSplit”algorithm was used to maintain the distribution of anatomical location and fracture in the splitting process of training, validation, and test sets. Data augmentation was performed“online”on the training set during model training to increase the generalizability of the models and prevent overfitting during the training process. In our study, the YOLOv7 object detection algorithm was used as a deep learning-based object detection model. The model training process was actively monitored, and the training was stopped when the model validation metric (mAP50 = 'mean average precision') showed no further improvement, and the model with the highest mAP50 parameter was used in the test phase. In the validation phase, each predicted bounding box was evaluated using common bounding box metrics such as mAP50, mAP50:95, precision (positive predictive value), and recall. Additionally, precision, recall, specificity, and f1 score were calculated based on general fracture positivity and negativity in the image. Model predictions were made on the test set, and three radiologists with 21 years of experience (RAD2), 6 years of experience (RAD1), and 3 years of experience (RAD3) evaluated the presence or absence of fractures in the images of the test set. The model performance was evaluated using mAP50, mAP50:95, precision, and recall metrics. Cohen's Kappa value was obtained for inter-radiologist agreement. McNemar test was applied to evaluate the difference between pre- and post-model reader performance. A p-value of less than 0.05 was considered statistically significant in the evaluation of the results. Results: In the dataset, out of the 8986 direct radiography images, 6283 (69.92%) of them had fractures while 2703 (30%) did not. Among all the direct radiography images in the dataset, 1881 (20.9%) were wrist, 1442 (16%) ankle, 1108 (12.3%) knee, 806 (9%) foot, 742 (8.3%) hand, 692 (7.7%) elbow, 562 (6.3%) shoulder, 489 (5.4%) pelvis, 440 (4.9%) lower leg, 407 (4.5%) femur, 285 (3.2%) forearm, 105 (1.2%) arm, and 27 (0.3%) hip radiography images. Our YOLOv7 model, developed as an automatic object detection algorithm, achieved a maximum precision value of 76.6%, recall value of 52.5% in the validation phase. The average precision ([email protected]) value at the confidence treshold of 0.5 was 60%, and the average precision value at the confidence tresholds of 0.5-0.95 ([email protected]) was 28.5%. At the confidence threshold value of 0.05, in the test dataset, the recall was 0.91, precision was 0.88, and specificity was 0.72, the F1 score was 0.90 and the AUC-ROC score was 0.89. Direct radiography images in the test dataset were evaluated by three radiologists with 6, 21, and 3 years of general radiology experience (RAD1, RAD2, and RAD3) for the presence or absence of fractures with and without the support of the model. With the support of the model, the precision value for RAD1 increased by 0.8%, for RAD2 by 0.02%, and for RAD3 by 1.1%. The recall value increased by 9% for RAD1, 7.8% for RAD2, and 5% for RAD3. The accuracy values increased by 5.2% for RAD1, 7.3% for RAD2, and 11.4% for RAD3 with the support of the model. The F1 score increased by 5.8% for RAD1, 4.7% for RAD2, and 4% for RAD3. The McNemar analysis showed a statistically significant difference in favor of the evaluation with the model compared to the evaluation without the model for all evaluators (p

Benzer Tezler

  1. Tez No

    621831

    Yazılımsal algoritma kullanarak skafoid kırıklarının otomatik tespiti

    Automatic detection of scafoid fractures using software algorithm

    EMRE ÖZKAYA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2020

    Ortopedi ve Travmatolojiİzmir Katip Çelebi Üniversitesi

    Acil Tıp Ana Bilim Dalı

    DOÇ. DR. FATİH ESAD TOPAL

    DR. ÖĞR. ÜYESİ ZEYNEP KARAKAYA

  2. Tez No

    260942

    Assessment of hard tıssue densıty around dental ımplants usıng conventıonal radıographs

    Dental implantlar çevresindeki sert doku densitesinin konvensiyonel radyograflar ile incelenmesi

    WAEL ALSHAIBANI

    Doktora

    İngilizce

    İngilizce

    2010

    Diş HekimliğiGazi Üniversitesi

    Ağız, Diş, Çene Hastalıkları ve Cerrahisi Ana Bilim Dalı

    PROF. DR. NUR MOLLAOĞLU

  3. Tez No

    99451

    Süt dişlerine farklı tekniklerle uygulanan rezin modifiye cam iyonomer restoratif materyalin (vitremer) pulpadaki biyolojik uyumunun ve dentine bağlantısının değerlendirilmesi

    Evaluation of the properties of dentine bonding and pulpal biocompatibility of resin modified glass ionomer restorative (vitremer) applied to primary teeth with various techniques

    GÜLİZ OKŞAK ORAY

    Doktora

    Türkçe

    Türkçe

    2000

    Diş HekimliğiAnkara Üniversitesi

    Pedodonti Ana Bilim Dalı

    PROF.DR. SERAP ÇETİNER

  4. Tez No

    262219

    Köpeklerde kalça displazisinin juvenil pubic symphysiodesis (JPS) tekniği ile sağaltımı üzerine klinik çalışmalar

    Clinical studies of hip dysplasia treatment with juvenil pubic symphysiodesis (JPS) technique in dogs

    NEVZAT AKIŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    Genel CerrahiAdnan Menderes Üniversitesi

    Cerrahi (Veterinerlik) Ana Bilim Dalı

    PROF. DR. ALİ BELGE

  5. Tez No

    115865

    Diz eklemi osteoartriti: Klinik skor, radyografik sınıflama ve MR bulgularının korelasyonu. MR sınıflamada yaklaşım

    Knee ostaoarthritis: Clinical score, conventional radiographic classification and correlation of MRI findings. A New approach to MR classification

    ALİ BALCI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2002

    Radyoloji ve Nükleer TıpDokuz Eylül Üniversitesi

    Radyodiagnostik Ana Bilim Dalı

    DOÇ.DR. METİN MANİSALI

Geri Dön