Derin öğrenme teknikleri ile gelişimsel kalça çıkıklığının ultrason görüntülerinden otomatik tespiti
Automatic detection of developmental dysplasia of the hip from ultrasound images with deep learning techniques
- Tez No: 887035
- Danışmanlar: DR. ÖĞR. ÜYESİ İ.EVRİM ÇOLAK, DOÇ. DR. MEHMET SERDAR GÜZEL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 85
Özet
Gelişimsel kalça displazisi, femur başı ile asetabulum arasındaki uyumsuzluktan kaynaklanan bir yapısal bozukluktur. Erken teşhis ve tedavi, uzuv kısalığı, topallama ve fonksiyonel özürlülük gibi olumsuz durumları önleyebilir. Bu rahatsızlık özellikle yenidoğan ve 0-3 aylık bebeklerde erken tanı konulması gereken bir durumdur. Tanıda gecikme durumunda, uzuv kısalığı gibi kalıcı sorunlar ortaya çıkabilir. Bu nedenle erken teşhis ve tedavi, yaşam kalitesini önemli ölçüde etkileyebilir. Tanıda iki temel yöntem olan fiziksel muayene ve ultrason ile görüntüleme yöntemi kullanılır. Özellikle ultrason görüntülerinin değerlendirilmesinde Graf yöntemi sıkça tercih edilir, ancak bu yöntemde uzman ve cihaz kaynaklı hatalar olabilmektedir. Günümüzde bilgisayar destekli tanı araştırmaları, tanı süreçlerini geliştirmek amacıyla yapılmaktadır. Ultrason görüntülerinin manuel işlenmesi, ölçümde zorluklara neden olabilir ve yanlış sonuçlara yol açabilir. Bu nedenle, bu çalışmada gelişimsel kalça displazisi tanısının ilk aşaması için farklı ağ mimarileri önerilmiştir: U-Net, Mask R-CNN ve YOLOv8. U-Net önerisi daha az veri ile ikili sınıflandırma olarak sunulmuştur, Mask R-CNN ve YOLOv8 ağ önerileri ise daha çok veriyle ve çok etiketli olarak eğitim süreçlerinden geçmişlerdir. Çalışmada öne çıkan YOLOv8, eğitim sonuçlarına göre en yüksek başarıya ulaşmıştır. Bölütleme, açı ölçümü ve istatiksel analiz kademeli olarak yapılmıştır. Açı ölçümü için iki öneri sunulmuş ve sonuçlar uzman sonucu ile karşılaştırılmıştır. Önerilerin doğruluğu için Bland-Altman analizi ve sınıf içi korelasyon analizi (ICC) uygulanmış, istatistiksel analiz sonuçları tablolar halinde karşılaştırılmıştır. Sunulan önerilerin doğruluğu ve güvenilirliği değerlendirilmiştir.
Özet (Çeviri)
Developmental hip dysplasia is a structural disorder arising from incongruity between the femoral head and the acetabulum. Early diagnosis and treatment can prevent adverse conditions such as limb shortening, limping, and functional impairment. This condition particularly necessitates early identification in newborns and infants aged 0-3 months. Delay in diagnosis can lead to persistent problems like limb shortening. Therefore, early diagnosis and treatment can significantly impact the quality of life. The two primary diagnostic methods are physical examination and imaging through ultrasound. The Graf method is commonly preferred, especially in the evaluation of ultrasound images, although it may be prone to expert and device-related errors. Contemporary research in computer-aided diagnosis aims to enhance diagnostic processes. Manual processing of ultrasound images can pose challenges in measurement and result in inaccuracies. Hence, this study proposes different network architectures for the initial stage of developmental hip dysplasia diagnosis: U-Net, Mask R-CNN, and YOLOv8. The U-Net proposal is presented as binary classification with less data, while the Mask R-CNN and YOLOv8 network proposals have undergone training processes with more data and multiple labels. The YOLOv8 model has achieved the highest success based on training results. Segmentation, angle measurement, and statistical analysis were conducted stepwise. Two suggestions for angle measurement are presented and the results are compared with the expert result. Bland-Altman and intraclass correlation analysis (ICC) were applied to assess the accuracy of the proposals, and the statistical analysis results were compared in tables. The accuracy and reliability of the suggestions presented were evaluated.
Benzer Tezler
- Ultrasonografik görüntülemede graf'a göre gelişimsel kalça displazisi'nin derin öğrenme teknikleriyle analizi
Analysis of developmental hip dysplasia according to graph in ultrasonographic imaging with DEEP learning techniques
RAMAZAN ÇELİK
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpVan Yüzüncü Yıl ÜniversitesiRadyodiagnostik Ana Bilim Dalı
DOÇ. DR. ALİ MAHİR GÜNDÜZ
DR. ÖĞR. ÜYESİ ADEM YOKUŞ
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Social behavior learning for an assistive companion robot
Yardımcı robotlar için sosyal davranış öğrenimi
PINAR ULUER
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE
- Derin öğrenme teknikleri ile anomali içeren metal somunların hata tespit ve sınıflandırılması
Fault detection and classification of metal nuts containing anomaly by deep learning techniques
HASAN GÖKKAYA
Yüksek Lisans
Türkçe
2020
İşletmeDokuz Eylül ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. CAN AYDIN
- Makine öğrenme teknikleri kullanılarak basınç ülserlerinin sınıflandırılması
Classification of pressure ulcers using machine learning techniques
BİLGE YILMAZ
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. İBRAHİM YÜCEDAĞ
ÖĞR. GÖR. FADİME ÖĞÜLMÜŞ DEMİRCAN