A deep-learning approach for the diagnosis of ankylosing spondylitis
Ankilozan spondilit tanısı için derin öğrenme yaklaşımı
- Tez No: 875237
- Danışmanlar: YRD. DOÇ. DR. LAVDİE RADA ÜLGEN
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Ankilozan Spondilit, Açıklanabilir Sinir Ağları, Bütünsel Olarak İç İçe Kenar Algılama, Evrişimsel Nöral Ağlar, Ankylosing Spondilytis, Artificial Intelligence, Convolutional Neural Networks, Explainable Neural Networks, Holistically-Nested Edge-Detection
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 56
Özet
Radyografik aksiyal spondiloartrit, r-axSpA tanısı - Klasik Ankilozan Spondilit (AS) - değiştirilmiş New York kriterleri (mNY) ile tanımlandığı gibi sakroiliak eklemlerin (SIJ'ler) radyografik değerlendirmesini içerir. Üretilen görüntünün kalitesi, tıp pratisyenlerinin teşhis becerileri ve kemik değişikliklerinin görünürlüğünün düşük olması nedeniyle teşhis zordur. Bu zorluklar, teşhis anahtarlarının görsel özelliklerinin çok belirgin olmadığı r-axSpA'nın erken aşamalarında belirgindir ve geleneksel derecelendirmede okuyucular arası ve okuyucu içi güvenilirliğin azalmasına neden olur. Bu tez, r-axSpA tanısı için ikili ve çok sınıflı bir bileşenden oluşan bir yapay zeka (AI) hattının oluşturulmasını tasvir etmektedir. Geleneksel yaklaşımla ilgili zorlukları ve sınırlamaları ele almak amacıyla Sakroiliak Eklemlerin (SIJ'ler) derecelendirilmesine yönelik görüntü işleme ve derin öğrenme tekniklerine ilişkin derinlemesine bilgiler sağlar. Çalışmaya, Marmara Üniversitesi Romatoloji polikliniklerinde yatan axSpA hastaları dahil edildi. Deneyimli bir okuyucu, kör dereceli hastaların sakroiliak eklemlerin geleneksel radyografilerini. Derecelendirmeye deneyimli bir romatolog karar verdi. Kesin r-axSpA (mNY kriterleri), r-axSpA ile radyografik olmayan axSpA'yı (nr-axSpA) ayırt etmek için referans olarak kullanıldı. İkili bileşen, r-axSpA ve nr-axSpA sınıfları arasında ayrım yaparken \%91,98'lik bir doğruluğa sahipti. Boru hattının yeni çok sınıflı bileşeni, görüntüleri farklı SIJ derecelerine göre kategorilere ayırırken \%93,01 oranında olağanüstü bir doğruluk elde etti. Bulgular, önerilen yöntemin tıp pratisyenlerine sınıflandırma konusunda yardımcı olan yararlı bir r-axSpA tanı aracı olabileceğini düşündürmektedir.
Özet (Çeviri)
Diagnosis of radiographic axial spondyloarthritis, r-axSpA --- Ankylosing Spondylitis (AS) --- incorporate radiographic assessment of the sacroiliac joints (SIJs) as defined by the modified New York criteria (mNY). Diagnosis is challenging due to the quality of the produced image, diagnostic skills of the medical practitioners, and low visibility of bony changes. These challenges are pronounced in early stages of r-axSpA, when visual characteristics of the diagnostic keys are not very distinct, leading to poor inter- and intra-reader reliability in conventional grading. This thesis delineates the creation of an artificial-intelligence (AI) pipeline comprised of a binary and a multiclass component for the diagnosis of r-axSpA. It provides in-depth insights into image processing and deep-learning techniques for grading the Sacroiliac Joints (SIJs) with the aim of addressing the challenges and limitations associated with conventional approach. axSpA patients at the rheumatology outpatient clinics of the Marmara University were enrolled in the study. An experienced reader, blind-graded patients' conventional radiographs of the sacroiliac joints. An experienced rheumatologist adjudicated the grading. Definite r-axSpA (mNY criteria) was used as reference to distinguish r-axSpA and non-radiographic axSpA (nr-axSpA). The binary component had an accuracy of 91.98\% when distinguishing between r-axSpA and nr-axSpA classes. The pipeline's novel multiclass component, achieved an outstanding accuracy of 93.01\% when categorizing images into different SIJ grades. Findings suggest that the proposed method can be a useful r-axSpA diagnostic tool, assisting medical practitioners with classifications.
Benzer Tezler
- Görüntü işleme ve derin öğrenme yöntemleri kullanılarak ankilozan spondilit erken teşhisine yönelik karar destek sisteminin geliştirilmesi
Development of decision support system for early detebtion of ankylosing spondylitis using image processing and deep learning methods
EMRE ÇANAYAZ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEHRA AYSUN ALTIKARDEŞ
PROF. DR. ALPARSLAN ÜNSAL
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Convolutional autoencoder based heart arrhythmia detection system
Evrişimli otomatik kodlayıcı tabanlı aritmi tespit sistemi
ÖYKÜ ERAVCI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiYaşar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NALAN ÖZKURT
- Meme kanserinin otomatik teşhisi için yeni bir derin öğrenme yaklaşımı
A new deep learning approach for automatic diagnosis of breast cancer
ADNAN KÖŞKER
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiBitlis Eren ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÜMİT BUDAK
- A Deep Learning Approach for Categorizing Breast Carcinoma Histopathology Images
Meme Kanseri Histopatoloji Görüntülerinin Sınıflandırılması için bir Derin Öğrenme Yaklaşımı
TUĞÇE SENA ALTUNTAŞ
Doktora
İngilizce
2024
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SAMİ ARICA
DR. ÖĞR. ÜYESİ TUĞBA TOYRAN