Determination of bone age assessment
Kemik yaşı belirlenmesinin değerlendirilmesi
- Tez No: 864120
- Danışmanlar: DOÇ. DR. MÜRVET KIRCI
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 87
Özet
Kemik yaşının belirlenmesi, çocuklarda büyüme ve endokrin bozukluklarının teşhisinde önemli bir araçtır. Genellikle, bu süreç çocukların el ve el bileği radyografileri üzerinden yapılır. Bu yöntem, çocukların fiziksel gelişiminde yaşanan gecikmeleri veya hızlanmaları tespit ve takip etmekte doktorlara kritik bilgiler sağlar. Bazı çocuk ve ergenlerde erken veya geç ergenlik belirtileri, endokrin bozuklukları ve kronik hastalıklar gibi durumlar gözlemlenebilir. Bu tür durumlarla karşılaşıldığında, iskelet sağlığının takibi ve gözlemi için kemik yaşı tespiti oldukça mühimdir. Geleneksel kemik yaşı belirleme çalışmaları, X ışınının icadıyla birlikte başlamıştır. Bu yöntemler, hastaların ilgili röntgen görüntülerini referans görüntülerle karşılaştırmayı içerir. Bu referans görüntüler, çeşitli atlaslarda bulunur. Örneğin, 1959'da yayınlanan Greulich ve Pyle atlası ile 1962'de yayınlanan Tanner, Whitehouse ve Healy atlasları bu konuda öne çıkar. Ancak, geleneksel yöntemlerin birçok sınırlaması vardır. Bunların başında, bu işlemin manuel olarak yapılması ve bu sürecin oldukça“zaman alıcı”olması gelir. Kemik yaşı tespiti, karmaşık bir işlemdir ve çeşitli durumlarda, farklı radyologlar veya aynı radyolog tarafından tekrar hesaplanması gerekebilir. Bu, zaman alıcı bir süreçtir. İkinci önemli sınırlama, insan gözünün bazı önemli detayları gözden kaçırabilmesi ve hata yapmaya meyilli olmasıdır. Aynı röntgen görüntüsü üzerinde, farklı radyologlar veya aynı radyolog tarafından yapılan değerlendirmeler arasında farklı sonuçlar çıkması mümkündür. Bu tür sınırlamalar, araştırmacıları, insan etkisini mümkün olduğu kadar azaltmayı hedefleyen, otomatik ve daha güvenilir, kısa vadeli çözümler aramaya yönlendirmiştir. Günümüzdeki en yaygın ve güncel araştırmalar, makine öğrenmesi ve derin öğrenme yöntemlerinin geliştirildiğini göstermektedir. Bu çalışmalar, farklı istatistiksel metrikler kullanarak kemik yaşını belirleyen araçları ortaya çıkarmıştır. Bu süreçlerin en önemli noktalarından biri, tıbbi görüntülerin titizlikle incelenmesi ve ilgili modelin eğitimine kadar uzanan“görüntü işleme boru hattı sürecinin”eksiksiz olarak uygulanmasıdır. Bu süreçte, farklı cihazlardan ve şartlardan elde edilen görsellerin kalite, parlaklık gibi farklı özelliklere sahip olabileceği dikkate alınmıştır. Bu farklılıkları ortadan kaldırmak ve görüntü kalitesini modele uygun hale getirmek için çeşitli istatistiksel yöntemler kullanılmıştır. Böylece hem parlaklık hem de piksel yoğunluğu bilgileri kaybolmadan tutularak, derin ağ modellerinde özellik çıkarımı kolaylaştırılmıştır. Bu iki işlem uygulandığında görüntülerde ciddi bir iyileşme gözlemlenmiş, ancak doğrusal olmayan ve tespit edilmesi zor olan bazı küçük ve gereksiz gürültülerin hala kalabildiği görülmüştür. Bu sorunu çözmek için, röntgen görüntülerinin özel bir yama kullanılarak taranması ve bu yama herhangi bir gürültü tespit ettiğinde bunu arka plandan kaldırılması süreci uygulanmıştır. Görüntü işleme boru hattı sürecinden sonraki önemli kısım ise model eğitim aşamasıdır. Tıbbi görüntülerden anlam ve özellik matrisinin çıkarılması, karmaşık bir süreçtir. En sık karşılaşılan sorunlardan biri, ilgili tıbbi görüntülerin sınırlı olması ve yeterli miktarda elde edilememesidir. Elde edilen verilerin çeşitlilik açısından dengelenmesi gerekmektedir. Bu tür uygulamalarda karşılaşılan en iyi yöntemlerden biri Transfer Öğrenme kavramıdır. Transfer öğrenimi, önceden eğitilmiş bir modelin özel sorunumuza uyarlanması ve kullanılmasını sağlar. Önceden eğitilmiş modeller genellikle büyük veri kümeleri üzerinde eğitilir, bu da onları çeşitli görevlerde daha etkili kılar. Tüm bu yöntemleri uygulayıp sonuçlara baktığımızda, Efficient V2S modeliyle ortalama kemik yaşında (ay cinsinden) hata payının 6,32'ye düştüğünü görüyoruz. Bu başarıyı takip eden bir diğer model ise Xception olup, ortalama hata değeri 6,41 olarak gözlemlenmiştir. İmajın tamamı üzerinde çalışan diğer çalışmalara baktığımızda ciddi bir azalma ve başarının olduğunu görüyoruz. Bu sonuçlar, kemik yaşının belirlenmesinde makine öğrenmesi ve derin öğrenme tekniklerinin etkinliğini göstermektedir. Özellikle, bu teknikler sayesinde, radyologların yükü hafifletilmiş, teşhis süreçleri hızlandırılmış ve daha doğru sonuçlara ulaşılmıştır. Bu noktaya kadar kurgulanan ve inşa edilen regresyon modeli (Transfer Learning Model + FCN) ne kadar başarı sağlasa da, çeşitli kaynaklardan ilham alarak farklı mimari çözümler de göz önüne alındı. Bu çözümlerden birisi olan“expectation regression”, en iyi modelin tahmin etmiş olduğu 6.32 gibi bir MAE değerini 5.91'e kadar gerilemesini sağladı (aynı eğitim ve validasyon seti üzerinde). Bu da model mimarisinin böyle bir medikal alanda etkili olabileceğini bize gösterdi ve gelecek çalışmalara olan bakış açımızı değiştirerek motivasyonumuzu artırdı. Bu çalışmaların gelecekteki potansiyeli de oldukça büyüktür. Öncelikle, gelişen teknolojiler ve artan veri miktarı sayesinde, makine öğrenmesi ve derin öğrenme modellerinin daha da gelişmesi ve daha doğru sonuçlar üretmesi beklenmektedir. Ayrıca, bu tekniklerin daha geniş bir hastalık yelpazesinde ve daha çeşitli hasta popülasyonlarında kullanılması, tıbbi teşhis ve tedavi süreçlerinde devrim yaratabilir. Bu, özellikle düşük kaynaklı sağlık sistemlerinde ve uzak bölgelerde sağlık hizmetlerine erişimi kolaylaştırabilir. Bir diğer konu ise makina öğrenimi veya derin öğrenme modeli, kişisel verilerin korunması politikalarına uymak ve etik çerçeve içerinde olmak kaydıyla, yeni gelen veriler ile sürekli öğrenen, kendini eğiten ve daha iyi sonuçlar üretmeyi başaran bir yapı haline getirilebilir. Böyle bir yapı, statik bir veri setiyle belli bir zamanda eğitilmiş modeli takip etmek yerine ilgili verisetini hem sayı hem de çeşit anlamında sürekli artıran ve daha çok öznitelik bulabilecek esnek bir yapı sunacak hale getirme açısından son derece değerlidir. Sonuç olarak, kemik yaşı belirleme alanında yapılan bu yenilikçi çalışmalar, tıbbi teşhis ve tedavi süreçlerinde önemli bir dönüşümü temsil etmektedir. Bu teknolojilerin devam eden gelişimi, tıp alanında daha doğru ve etkili teşhis yöntemlerine yol açacak ve geniş bir hastalık spektrumunda daha iyi hasta bakımı sağlayacaktır. Bu nedenle, bu alandaki araştırmaların desteklenmesi ve geliştirilmesi, tıp alanında ilerlemeye büyük katkı sağlayacaktır.
Özet (Çeviri)
Bone age determination is commonly accomplished with hand and wrist radiographs and is a useful diagnostic tool for endocrine and growth disorders in children. It assists medical professionals in the identification and surveillance of disorders that slow or quicken physical development. Certain children and adolescents may be afflicted with chronic diseases, early or late puberty symptoms, or endocrine disorders. Determining the age of bones is critical for monitoring and revealing the skeletal health of these patients. Research on the determination of bone age commenced subsequent to the advent of X-ray technology. These techniques entail the comparison of pertinent X-ray images of patients with reference images. Atlases are the origin of these reference images. Exemplariness of atlases include the works Greulich and Pyle, published in 1959, and Tanner, Whitehouse and Healy, published in 1962. However, upon closer examination of conventional approaches, it becomes evident that they possess numerous constraints. Primarily and most significantly, this manual process is“time-consuming.”The determination of bone age is a multifaceted process that may be revisited by the same or different radiologists/physicians in various instances. Moreover, this occasion is time-consuming. An additional significant constraint is that the human eye is prone to error and can overlook crucial details. Despite the fact that the X-ray image remains unchanged, a reexamination by either the same or a different radiologist might yield different results. As a result of these constraints, scientists have begun searching for various automatic and more dependable short-term solutions that minimize human effort and impact to the greatest extent possible. In contemporary times, machine-learning and deep-learning techniques have been developed, and there has been a proliferation of tools that employ various statistical metrics to ascertain the age of bones. Upon careful examination of these studies, it became evident that a critical aspect of the procedure is the thorough scrutiny of medical images and the comprehensive execution of the“image processing pipeline process”up until the model training phase. An additional concern pertains to the fact that the pertinent images might be captured from various devices under varying conditions, thereby resulting in disparate attributes such as brightness, quality, and so forth. A multitude of statistical techniques were employed in order to rectify this discrepancy and enhance the image quality to conform to the model. This allowed for the preservation of both brightness and pixel density data, which greatly facilitated the extraction of features in deep network models.Although these two processes resulted in a substantial improvement in the images, we observed that some small, unnecessary, nonlinear, and difficult-to-detect noise may have remained. As a consequence, an independent local cleanup procedure was executed. During this procedure, every X-ray image was scanned using a specialized patch; any noise that was detected by this patch was subsequently eliminated from the background. Following the image processing pipeline is an additional critical stage known as the model training phase. It is a complex process to extract meaning and a feature matrix from medical images. One of the most commonly encountered challenges is the scarcity and insufficiency of pertinent medical images that can be obtained. Additionally, the obtained data must be diversely balanced (imbalanced problem). Transfer learning is among the most effective techniques encountered in such applications. Transfer learning permits the modification and application of a pre-trained model to our particular problem. Large data sets are typically used to train pre-trained models, which increases their performance across a variety of tasks. Upon applying each of these methods and examining the outcomes, it becomes evident that the Efficient V2S model reduces the margin of error in the average bone age (in months) to 6.32. An additional model that replicated this achievement is Xception, which exhibited an average error value of 6.41. Upon examination of other studies that address the complete image, it becomes evident that there is a substantial decline in success rates. Despite the success of the regression model (Transfer Learning Model + FCN) that had been developed and constructed thus far, alternative architectural solutions were also considered, drawing inspiration from a variety of sources. An approach known as“expectation regression”enabled the reduction of the mean absolute error (MAE) from 6.32, as predicted by the optimal model, to 5.91, using the identical training and validation sets. This demonstrated the potential efficacy of model architecture in the medical domain and bolstered our drive by altering our outlook on subsequent research.
Benzer Tezler
- Derin öğrenme yöntemleri ile kemik yaşı tespiti
Bone age detection with deep learning methods
FATMA FEYZA KAYA
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN UĞUZ
- 3.0t MRG ile kemik yaşı tayininde distal femoral ve proksimal tibial epifiz plağının değerlendirilmesi: Güncel metotların karşılaştırılması
Evaluation of distal femoral and proximal tibial epiphyseal plate in bone age determination with 3.0t MRİ: A comparison of current methods
BÜŞRA HAS
Tıpta Uzmanlık
Türkçe
2021
Radyoloji ve Nükleer TıpDüzce ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN BAKİ ALTINSOY
- El bileği x-ray grafilerinde derin nöralağlar ile pediatrik kemik yaşı tayini: Türk popülasyon örneklem çalışması
Pediatric bone age assessment using deep neural networks from wrist x-rays: Turkish population sample study
SAMET ÖZTÜRK
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. MUSA ATAY
- Sivas Cumhuriyet Üniversitesi hastanesine başvuran yaşları 12-18 arasında değişen bireylerin el ve el bileği röntgen görüntülerinin kemik yaşı tayini açısından gilsanz ratib ve kahn gaskin atlaslarıyla karşılaştırılması
Comparison of hand and wrist x-ray images of individuals aged 12-18 applying to sivas Cumhuriyet University Hospital for bone age assessment using gilsanz-rati̇b and kahn-gaskin atlases
NERMİN MALKOÇOĞLU
Tıpta Uzmanlık
Türkçe
2024
Adli TıpSivas Cumhuriyet ÜniversitesiAdli Tıp Ana Bilim Dalı
PROF. DR. FATMA YÜCEL BEYAZTAŞ
- Suriyeli mülteci 18 yaş altı evlilerde kemik yaşının tespitinde gök, greulich-pyle ve tanner-whitehouse atlaslarının kullanılabirliğinin değerlendirilmesi ve sosyodemografik özellikleri
Applicability assessment and sociodemographic propertiesof gok, greulich-pyle and tanner-whitehouse atlases inthe bone age determination of married syrian refugeeswho are under the age of 18
VEYSAL DAŞ
Tıpta Uzmanlık
Türkçe
2019
Adli TıpGaziantep ÜniversitesiAdli Tıp Ana Bilim Dalı
PROF. DR. AYSUN BARANSEL ISIR