Derin öğrenme yöntemleri ile kemik kırıklarının x-ray görüntüleri üzerinden otomatik tespiti
Automated detection of bone fractures over x-ray images with deep learning methods
- Tez No: 871005
- Danışmanlar: DR. ÖĞR. ÜYESİ SEDA ŞAHİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Sistemleri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 68
Özet
Bu tez, röntgen görüntülerinden kemik kırıklarını tespit etmek için özelleştirilmiş beş gelişmiş evrişimli sinir ağı (CNN) mimarisi üzerine detaylı bir karşılaştırmalı analiz sunmaktadır. Özellikle, bu çalışma Xception-FracAtlas, VGG16-FracAtlas, ResNet50-FracAtlas, InceptionV3-FracAtlas ve EfficientNetv2b2-FracAtlas performanslarını, Kırık ve Kırıksız olarak belirgin şekilde kategorize edilmiş bir veri seti kullanarak incelemektedir. Bu modeller, kesinlik, hatırlatma, F1-puanı, genel doğruluk ve çıkarım süresi gibi metrikler üzerinden değerlendirilerek, tıbbi görüntü analizindeki yetenekleri ve sınırlılıkları hakkında bütünsel bir görünüm sunmaktadır. EfficientNetv2b2-FracAtlas, çoklu metriklerde olağanüstü performans sergileyerek üstün model olarak öne çıkmıştır. Özellikle, %94.91 ile en yüksek doğruluk oranına ve Kırık durumlarını belirlemede güçlü kesinlik gösteren etkileyici bir F1-puanına ulaşmıştır. Ayrıca, 25.83 milisaniye ile en hızlı çıkarım süresini ve %80 eğitim ve %20 test değerleri ile 0.95 en yüksek ROC değerini kaydetmiştir. Bu sonuçlar, klinik ortamlarda kritik bir gereksinim olan gerçek zamanlı, doğru tıbbi teşhis potansiyelini vurgulamaktadır. Diğer modeller de umut verici sonuçlar göstermişken, tüm metriklerde uniform bir performans sergilemediler. Örneğin, VGG16-FracAtlas, Kırıksız durumlar için hatırlatma oranında başarılı olmuş ve hızlı çıkarım süreleri göstermiş fakat benzer doğruluk oranlarına veya F1-puanlarına ulaşamamıştır. Benzer şekilde, Xception-FracAtlas ve ResNet50-FracAtlas belirli metriklerde yetkinlik göstermiş ancak EfficientNetv2b2-FracAtlas tarafından sergilenen her yönüyle etkinliği sağlamada yetersiz kalmışlardır. EfficientNetv2b2-FracAtlas'ı klinik iş akışlarına entegre ederek, sağlık hizmet sağlayıcıları kemik kırığı tespitindeki hızı ve doğruluğu artırabilir, yanlış teşhis oranını azaltabilir ve daha hızlı tedavi tepkilerini kolaylaştırabilir. Ayrıca, bu çalışma CNN mimarilerini daha da optimize etmek için süregelen araştırmaları teşvik etmektedir. Son olarak, bu tez, tıbbi görüntülemede derin öğrenmenin dönüştürücü potansiyelini vurgulamakta ve klinik ortamlarda daha fazla benimsenmesi için zemin hazırlamaktadır. Bu, hasta bakımı ve tedavi sonuçlarında önemli ilerlemeler vaat etmektedir.
Özet (Çeviri)
This thesis presents a detailed comparative analysis of five advanced convolutional neural network (CNN) architectures tailored for the detection of bone fractures from X-ray images. Specifically, the study examines the performance of Xception-FracAtlas, VGG16-FracAtlas, ResNet50-FracAtlas, InceptionV3-FracAtlas, and EfficientNetv2b2-FracAtlas, utilizing a dataset distinctly categorized into Non-Fractured and Fractured states. These models are evaluated based on precision, recall, F1-score, overall accuracy and inference time, offering a holistic view of their capabilities and limitations in medical image analysis. EfficientNetv2b2-FracAtlas emerged as the superior model, demonstrating exceptional performance across multiple metrics. Notably, it achieved the highest accuracy rate of 94.91% and an impressive F1-score which indicates its strong precision in identifying Fractured states. Moreover, it recorded the fastest inference time of 25.83 milliseconds and the highest ROC value of 0.95 according to the 80% training and 20% testing values. These results highlight its potential for real-time, accurate medical diagnostics, a critical requirement in clinical settings. In contrast, while the other models also showed promising results, they did not perform uniformly across all metrics. For instance, VGG16-FracAtlas excelled in recall for Non-Fractured states and demonstrated rapid inference times but did not achieve comparable accuracy or F1-scores. Similarly, Xception-FracAtlas and ResNet50-FracAtlas showed proficiency in certain specific metrics but fell short in achieving the all-around effectiveness exhibited by EfficientNetv2b2-FracAtlas. By integrating EfficientNetv2b2-FracAtlas into clinical workflows, healthcare providers can enhance the speed and accuracy of bone fracture detection, potentially reducing the rate of misdiagnosis and facilitating faster treatment responses. Moreover, this study encourages ongoing research to further optimize CNN architectures. Finally, this thesis underscores the transformative potential of deep learning in medical imaging and sets the stage for its increased adoption in clinical settings, promising significant advancements in patient care and treatment outcomes.
Benzer Tezler
- 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
- X-ray görüntülerinden köpeklerde uzun kemik kırıklarının meydana gelme zamanına göre sınıflandırılması
Classification of long bone fractures in dogs from X-ray images according to the time of occuration
BERKAN TEZCAN
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELDA GÜNEY
- Yazılımsal algoritma kullanarak skafoid kırıklarının otomatik tespiti
Automatic detection of scafoid fractures using software algorithm
EMRE ÖZKAYA
Tıpta Uzmanlık
Türkçe
2020
Ortopedi ve Travmatolojiİzmir Katip Çelebi ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. FATİH ESAD TOPAL
DR. ÖĞR. ÜYESİ ZEYNEP KARAKAYA
- 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
- Derin öğrenme yöntemleri ile el bilek grafisinden kemik yaşının tahmini
Age estimation from left-hand radi̇ographs with deep learning methods
CÜNEYT ÖZDEMİR
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSiirt ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YILMAZ KAYA