An enhanced capsule neural network model for heel disease diagnosi̇s using lateral foot x-ray images
Lateral ayak röntgen görüntülerini kullanarak topuk hastalıkları teşhisi için geliştirilmiş kapsül sinir ağı
- Tez No: 917098
- Danışmanlar: DR. ÖĞR. ÜYESİ KASIM ÖZACAR
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 154
Özet
Topuk dikeni ve Sever hastalığı gibi topuk kemiği rahatsızlıkları, hastaların günlük aktivitelerinde önemli zorluklar yaratmaktadır. Ortopedi ve travmatoloji doktorları teşhis için ayak röntgenlerine güvenirken, bu durumların daha fazla yapay zeka tabanlı tespitine ve sınıflandırılmasına ihtiyaç vardır. Bu ihtiyacı karşılamak için bu çalışma, HeCapsNet ve MedCapsNet iki derin öğrenme modeli sunmaktadır: İlk olarak 3.956 yan ayak röntgen görüntüsünden oluşan yeni bir veri kümesi sunmakta ve orijinal kapsül ağını (CapsNet) temel olarak kullanmaktadır. CapsNet'in düşük doğruluğu (%73,99), özellik çıkarma katmanlarını ayarlayan, ekstra evrişimli katmanlar ekleyen ve gelişmiş başlatma ve doldurma şemaları kullanan gelişmiş bir kapsül ağı olan HeCapsNet'in geliştirilmesine yol açmıştır. HeCapsNet, dengeli veriler için %97,29, dengesiz veriler için %94,19, %98,69 AUC ve %95,77 5 kat çapraz doğrulama doğruluğu dahil olmak üzere daha yüksek doğruluk oranları elde etmiştir. Son teknoloji ürünü modifiye CapsNet modelleriyle yapılan karşılaştırmalar, HeCapsNet'in daha karmaşık tıbbi veri kümelerinde daha iyi performans gösterdiğini ortaya koymaktadır. Ayrıca bu çalışma, modife edilmiş bir DenseNet201 ile bir kapsül ağını birleştiren yeni bir hibrit kapsül modeli olan MedCapsNet'i de önermektedir. Bu model, yan topuk ayak röntgen görüntülerini kullanarak topuk kemiği hastalıklarını doğru bir şekilde tespit etmek ve sınıflandırmak için tasarlanmıştır. Topuk veri kümesi ve diğer tıbbi veri kümeleri (Jun Cheng Brain MRI, Breast BreaKHis v1 ve HAM10000 cilt kanseri) üzerinde yapılan deneyler, veri kümesine özgü mimari veya hiperparametre ayarına ihtiyaç duymadan yüksek performans ölçümleri elde eden MedCapsNet'in çok yönlülüğünü göstermektedir. HeCapsNet ve MedCapsNet, topuk kemiklerinin tespiti ve sınıflandırılmasına yardımcı olmak için yapay zeka tabanlı yaklaşımların potansiyelini ortaya koyarak, teşhis süreçlerinin iyileştirilmesine ve bu koşulların daha güvenilir bir şekilde yönetilmesine katkıda bulunmayı amaçlamaktadır.
Özet (Çeviri)
Heel bone conditions, such as heel spurs and Sever's disease, pose significant challenges to patients' daily activities. While orthopedic and traumatology doctors rely on foot X-rays for diagnosis, there is a need for more AI-based detection and classification of these conditions. This thesis addresses this need by proposing two deep learning models: HeCapsNet and MedCapsNet. This thesis first presents a novel dataset of 3,956 annotated lateral foot X-ray images and uses the original capsule network (CapsNet) as a baseline. The low accuracy of CapsNet (73.99%) led to the development of an enhanced CapsNet, HeCapsNet, which adjusts the feature extraction layers, adds extra convolutional layers and utilizes improved initialization and padding schemes. HeCapsNet achieved higher accuracy rates, including 97.29% for balanced data, 94.19% for imbalanced data, an AUC of 98.69%, and a 5-fold cross-validation accuracy of 95.77%. While our findings aligned with those reported in the literature for relatively more uncomplicated, non-medical datasets like MNIST and F-MNIST, we achieved better results with more complex, medically focused datasets, including brain MRI, knee, and our novel dataset. In addition, this thesis introduces MedCapsNet, a new hybrid capsule model that combines the modified DenseNet201 model with the original CapsNet. The architecture of this model is designed to detect and classify cases of heel bone pathologies using lateral heel X-ray images of the foot. The model has been applied to a heel data set and other medical datasets (John Cheng's MRI brain, Breast BreaKHis v1, and HAM10000 melanoma). MedCapsNet's versatility in different types of images, including X-ray, MRI, and microscopy images, where it achieved high-performance metrics without requiring a unique architecture for each set or tuning the hyperparameter for each dataset, made it superior to state-of-the-art models. HeCapsNet and MedCapsNet offer the potential of AI-based methods to detect and categorize heel bones, fulfilling the need for diagnosis and more reliable management of these conditions.
Benzer Tezler
- Kapsül ağlar ile derin öğrenme tabanlı çok sınıflı sperm morfoloji analizi
Deep learning based multiclass sperm morphology analysis with capsule networks
HOSSEIN MOHAMMADI
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAMZA OSMAN İLHAN
- Improved bone marrow cell classification using enhanced capsnet and enhanced U-net: Addressing data imbalance and large-scale data
Geliştirilmiş kapsül ağı ve U-net kullanarak kemik iliği hücrelerinin iyileştirilmiş sınıflandırılması: Veri dengesizliği ve büyük ölçekli veri sorunlarına çözüm
AMINA FARIS ABDULLAH AL-RAHHAWI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NESRİN AYDIN ATASOY
- Derin öğrenme için yenilikçi düzgünleştirme yaklaşımlarının geliştirilmesi ve medikal görüntülere uygulanması
Development of new regularization approaches for deep learning and application to medical images
KAZIM FIRILDAK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED FATİH TALU
DR. ÖĞR. ÜYESİ GAFFARİ ÇELİK
- Derin sinir ağları ile EEG ve alın EOG tabanlı duygu analizi
EEG and forehead EOG based emotion analysis with deep neural networks
HÜSEYİN ÇİZMECİ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CANER ÖZCAN
- Generalization of deep neural networks totransformations through novel andhybrid architectures
Derin sinir ağlarının yenı ve hibrit mimariler aracılığı ile transformlara genellemesi
BARIŞ ÖZCAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MUSTAFA FURKAN KIRAÇ