Derin öğrenme ile proksimal femur kırıklarının tespiti ve sınıflandırılması
Proximal femur fracture detection and classification using deep learning
- Tez No: 849727
- Danışmanlar: DOÇ. DR. DERYA YILTAŞ KAPLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 97
Özet
Proksimal femur kırıkları ve çıkıkları, doğru ve gerçek zamanlı tanı konulmadığı takdirde yaşlı hastalarda daha sık görülen mortaliteye, genç erişkin hastalarda ise topallamaya, çalışamamaya, spor yapamamaya yol açabildiği için en ciddi kırıklardan biridir. Yapay zekâ ve alt kategorileri olan makine öğrenmesi ve derin öğrenme, doktorların hastalıkları doğru ve zamanında teşhis etmelerini sağlamak amacıyla sağlık uygulamalarıyla birleştirildiğinde ortaya güzel sonuçlar çıkarmaktadır. Bu tezin temel amacı, poligon açıklamasıyla örnek segmentasyon görevini kullanarak çeşitli proksimal femur kırık türlerini X-ışını/röntgen üzerinde tespit etmektir. Bu tez çalışması için 756 adet X-ışını görüntüsünden oluşan bir veri seti kullanılmıştır. Bir danışman ve uzman ortopedi doktorunun gözetiminde örnek segmentasyon görevini gerçekleştirmek için görüntülere çokgen ek açıklaması kullanılarak manuel olarak açıklama eklendi. Veri setine açıklama eklemek için kullanılan etiketler kırık tipi (boyun, çıkık, büyük-trokanter, küçük-trokanter, intertrokanterik ve subtroknaterik) ve kırığı olmayanlar ile normaldi. Veri seti, eğitim için %70 ve doğrulama için %30'a bölündü. Modellerin performansını test etmek için modeller, X-ışını görüntülerinden önce görünmez olarak verilmişlerdir. Örnek segmentasyon görevini gerçekleştirmek için kullanılan modeller YOLOv5, YOLOv7, YOLOv8, Mask R-CNN (Detectron2) ve PointRend'dir. Sonuçlara göre, beş modelin tümü proksimal femur kırığının varlığını tespit edebildi ve sınıflandırabildi. Kutular için 0.5 (mAP50) olan Birleşim Üzerinden Kesişim (IoU) eşiğinin Ortalama Ortalama Tahmin (mAP) değerleri, sırasıyla YOLOv5, YOLOv7, YOLOv8, Mask R-CNN (Model3) ve PointRend (Model4) için 79.5%, 79.2%, 81.6%, 73.82% ve 73.67% olarak bulunmuştur. Maskeler için 0.5 (mAP50) olan Birleşim Üzerinden Kesişim (IoU) Ortalama Tahmin değerleri sırasıyla YOLOv5, YOLOv7, YOLOv8, Mask R-CNN (Model3) ve PointRend (Model4) için 80%, 78.8%, 81.7%, 74.05% ve 74.85% olarak bulunmuştur.
Özet (Çeviri)
Proximal femur fractures and dislocation are one of the most serious fractures as they can lead to mortality which are more common in elderly patients, and to limping, inability to work, to practice sport activity in young adults patients if not diagnosed accurately and in real time. Artificial intelligence and its sub-categories, machine learning and deep learning shows a great work when merged in healthcare applications in sustaining doctors to diagnose the diseases accurately and timely. The main objective of this thesis is to detect the various proximal femur fractures types on x-rays using the instance segmentation task with the polygon annotation. For this thesis, a dataset of 756 X-ray images was used. The images were manually annotated using polygon annotation in order to perform the instance segmentation task with the supervison of a consultant and specialist orthopedic doctor. The labels used to annotate the dataset were related to the fracture type (neck, dislocation, grater-trochanter, lesser trochanter, intertrochanteric and subtrochanteric) and normal the ones without any fracture. The dataset was splitted into 70% for training and 30% for validation. In order to test the models performance, the models were given unseen before X-ray images. The models used in order to perform the instance segmentation task were YOLOv5, YOLOv7, YOLOv8, Mask R-CNN (Detectron2) and PointRend. According the results, all five models were able to detect the presence of a proximal femur fracture and classify it. The Mean Average Prediction (mAP) values of Intersection over Union (IoU) threshold of 0.5 (mAP50) for boxes were 79.5%, 79.2%, 81.6%, 73.82% and 73.67% for YOLOv5, YOLOv7, YOLOv8, Mask R-CNN (Model3) and PointRend (Model4) respectively. While, the Mean Average Prediction values of Intersection over Union (IoU) threshold of 0.5 (mAP50) for masks were 80%, 78.8%, 81.7%, 74.05% and 74.85% for YOLOv5, YOLOv7, YOLOv8, Mask R-CNN (Model3) and PointRend (Model4) respectively.
Benzer Tezler
- Kalça radyografilerinde derin öğrenme yöntemleri ile proksimal femur kırıklarının tanısı ve sınıflandırılması
Diagnosis and classification of proximal femur fractures on hip radiographs with deep learning methods
HASAN ERSÖNMEZ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT ARI
DR. ÖĞR. ÜYESİ SEDA ŞAHİN
- Derin öğrenme teknikleri kullanılarak kemik kırığı tespiti ve sınıflandırması
Bone fracture detection and classification using deep learning techniques
KORAY AÇICI
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE SÜMER
- Travma sonrası kemik kırıklarının tespitinde bilgisayarlı görü ve derin öğrenme algoritmaları
Computer vision and deep learning algorithms on post-traumatic bone fractures detection
MUHAMMED TAHA ZEREN
Doktora
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEHER ARSLANKAYA
- Deep reinforcement learning for urban modeling: Morphogenesis simulation of self-organized settlements
Derin pekiştirmeli öğrenme ile kentsel modelleme: Kendiliğinden örgütlenen yerleşimlerin morfogenez simülasyonu
HOUSSAME EDDINE HSAIN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiMimarlık, Planlama ve Tasarım Ana Bilim Dalı
Assoc. Prof. Dr. BURCU ŞENYAPILI ÖZCAN
Dr. YİĞİT ACAR
- Deep learning based visual navigation in indoor environments
Kapalı ortamlarda derin öğrenim tabanlı görsel navigasyon
BERK AĞIN
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiDokuz Eylül ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLESER KALAYCI DEMİR