X-ray görüntülerinde omuz artroplastisi ımplantlarının sınıflandırılmasında yeni bir derin öğrenme yaklaşımı
A novel deep learning approach to classifying shoulder arthroplasty implants in x-ray images
- Tez No: 821263
- Danışmanlar: DR. ÖĞR. ÜYESİ METE YAĞANOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Omuz Artroplastisi, Evrişimli Sinir Ağı, X-ray Görüntüleri, Çoklu Sınıf Sınıflandırma, Transfer Öğrenimi, Shoulder Arthroplasty, Convolutional Neural Network, X-ray Images, Multi-Class Classification, Transfer Learning
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 68
Özet
Amaç: Bu tezin amacı, bir röntgen (X-ray) görüntüsüne dayalı olarak omuz artroplastisi implantlarının üreticisini belirleyebilecek bir model geliştirmektir. Cerrahların implant üreticisini X-ray görüntüleriyle doğru bir şekilde belirlemesi genellikle zordur ve insan hatası içerebilir. Bu nedenle implant üreticisinin doğru ve güvenilir bir şekilde tanımlanması için akıllı bir sistem kullanılması etkili olacaktır. Materyal-Metot: Bu tezde kullanılan veri kümesi, toplamda 597 adet farklı boyutlarda JPEG formatındaki görüntülerden oluşmaktadır ve dört farklı omuz implantı üreticisine aittir. Bu veri kümesine, halka açık olan UCI Machine Learning Repository websitesinden erişilebilmektedir. Nispeten küçük veri kümesi ve dengesiz sınıf dağılımı gibi kısıtlamaları aşmak için, çeşitli veri artırma teknikleri uygulanmıştır. Mevcut görüntüleri çeşitlendirmek ve zenginleştirmek için veri artırma teknikleri kullanılarak modelin daha genelleyici ve daha sağlam bir şekilde eğitilmesi hedeflenmiştir. Bu çalışmada, yeni bir Evrişimli Sinir Ağı (CNN) modeli tasarlanmış ve beş önceden eğitilmiş model olan MobileNetV2, DenseNet121, DenseNet201, InceptionV3 ve ResNet50 transfer öğrenimi kullanılarak X-ray görüntülerinden karmaşık desenler ve özellikler yakalanmıştır. Bu sayede omuz implantı üreticilerinin sınıflandırılması mümkün hale gelmiştir. Bulgular: Bu tezde yapılan çalışma, X-ray görüntüleri kullanarak omuz implantı üreticilerini sınıflandırmak için derin öğrenme tekniklerinin önemli bir potansiyel taşıdığını göstermektedir. Veri artırma teknikleri sayesinde küçük ve dengesiz veri kümeleri üzerinde bile etkili sonuçlar elde edilebilir. Önceden eğitilmiş modellerin transfer öğrenimi ile karmaşık görüntü desenleri başarılı bir şekilde öğrenilebilir ve omuz implantı üreticilerinin doğru bir şekilde sınıflandırılması sağlanabilir. Bu çalışma, tıbbi görüntü analizinde derin öğrenme tekniklerinin kullanımının değerini vurgulamakta ve gelecekteki tıbbi uygulamalarda potansiyel bir etkisi olabileceğini göstermektedir. Sonuç: Tasarlanan Evrişimli Sinir Ağı (CNN) modeli, MobileNetV2, DenseNet121, DenseNet201, InceptionV3 ve ResNet50 gibi beş önceden eğitilmiş modelin transfer öğrenimi ile omuz implantlarını sınıflandırmada yüksek doğruluk elde etti. En başarılı model olan DenseNet121, X-ray görüntülerinden üreticiyi %98 doğrulukla doğru bir şekilde tanımlama yeteneğini sergiledi.
Özet (Çeviri)
Aim: The aim of this thesis is to create a model that can identify the manufacturer of shoulder arthroplasty implants based on an X-ray image. It is often difficult for surgeons to accurately determine the implant manufacturer using X-ray images and may involve human error. Therefore, using an intelligent system to identify the implant manufacturer accurately and reliably would be effective. Materials and Methods: The dataset used in this thesis consists of a total of 597 JPEG format images of different sizes, belonging to four different shoulder implant manufacturers. This dataset can be accessed from the publicly available UCI Machine Learning Repository website. To overcome the limitations of a relatively small dataset and imbalanced class distribution, various data augmentation techniques were applied. The aim was to diversify and enrich the existing images using data augmentation techniques to train the model in a more generalized and robust manner. In this study, a new Convolutional Neural Network (CNN) model was designed, and five pre-trained models, namely MobileNetV2, DenseNet121, DenseNet201, InceptionV3, and ResNet50, were used for transfer learning to capture complex patterns and features from X-ray images. This enabled the classification of shoulder implant manufacturers. Finding: This study demonstrates the significant potential of deep learning techniques in classifying shoulder implant manufacturers using X-ray images. Even with small and imbalanced datasets, effective results can be achieved with data augmentation techniques. Through transfer learning with pre-trained models, complex image patterns can be successfully learned, leading to accurate classification of shoulder implant manufacturers. This study highlights the value of using deep learning techniques in medical image analysis and showcases the potential impact it could have in future medical applications. Results: The designed Convolutional Neural Network (CNN) model, along with the transfer learning of five pre-trained models (MobileNetV2, DenseNet121, DenseNet201, InceptionV3, and ResNet50), achieved high accuracy in classifying shoulder implants. The best-performing model, DenseNet121, achieved an accuracy of 98%, showcasing the model's ability to accurately identify the manufacturer from X-ray images.
Benzer Tezler
- Artroskopik bankart lezyonu onarımı yapılan hastalarda omuz ekleminin değerlendirilmesi
Evaluation of shoulders with bankart lesion after arthroscopic treatment
MESUT TAHTA
Tıpta Uzmanlık
Türkçe
2012
Ortopedi ve TravmatolojiSağlık BakanlığıOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF. DR. MURAT BOZKURT
- Kemik röntgen görüntülerinde derin öğrenmeyle sınıflandırma ve kırık tespiti
Classification and fracture detection with deep learning in bone x-ray images
FATİH UYSAL
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT HARDALAÇ
- Şüpheli fraktürlerin ve fissürlerin bilgisayar destekli yöntemler ile tespiti
Detection of suspicious fractures and fissures with computer aided methods
ALPER DOĞAN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuğla Sıtkı Koçman ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN ÖZKARACA
- Sagittal posture analysis using wearable vivaldi antenna
Giyilebilir vivaldi anten kullanarak sagital postür değerlendirmesi
İLKE KAYA
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUBA YILMAZ ABDOLSAHEB
- Detection of body anomalies using radiographic images
Radyografik görüntüler kullanılarak vücut anomalisi tespiti
ZAHRA HARIRA
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EFNAN ŞORA GÜNAL