Kas-iskelet radyografi görüntülerinden anomali tespitinin derin öğrenme ile analizi
Deep learning analysis of anomaly detection from musculoskeletal radiography images
- Tez No: 928693
- Danışmanlar: PROF. DR. HAMDİ MELİH SARAOĞLU, DOÇ. DR. DURMUŞ ÖZDEMİR
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 137
Özet
Kas iskelet sistemi bozuklukları, dünya nüfusunun çoğunluğunu etkileyen kemik ve kaslarla ilgili anomalilerdir. Radyografik çalışmalar, tıbbi teşhislerin bir parçası olarak bu anomalilerin tespiti için en yaygın tekniktir. Günümüzde yapay zekanın alt birimi olan derin öğrenme, dünyada karmaşık ve kritik öneme sahip birçok alanda uygulanmaktadır. Bu çalışmada kas iskelet sistemi anomalilerinin tespiti için sınıflandırma çalışmaları artarak devam eden derin öğrenme yöntemleri kullanılmaktadır. Bu çalışmanın amacı, MURA (Musculoskeletal Radiographs) veri setindeki X-ray görüntüleri ile, bir derin öğrenme modeli olan DenseNet'i paralel katmanlar kullanılarak geliştirmektir. Çalışmada öncelikle MURA veri setinde bulunan el, parmak, bilek, ön kol, dirsek, humerus ve omuz X-ray görüntüleri ön işleme aşamaları uygulandı. X-ray görüntüleri döndürülerek, eksenler üzerinde yansıtılarak ve ölçeklendirme işlemleri uygulanarak giriş görüntü verilerinin sayısı çoğaltılmıştır. Aynı çözünürlük ve bit derinliğine getirilen X-ray görüntüleri, MATLAB programı kullanılarak evrişimsel sinir ağı (ESA) ile eğitilerek sağlıklı ve anomali olarak sınıflandırıldı. Çalışmada klasik DenseNet yöntemini geliştirmek için, MATLAB programında yazılım ile paralel bloklar eklenerek, Paralel DenseNet ve Önerilen Paralel DenseNet (ÖPDN) yöntemleri kullanılarak, X-ray görüntüleri eğitildi. Ayrıca sonuçları kıyaslamak için bir derin öğrenme metodu olan AlexNet ve ResNet ile de sınıflandırma yapıldı. Tüm ESA modellerinde aynı parametre ayarları kullanıldı. X-ray görüntüleri, rastgele veri seçme yönteni ile %80 eğitim, %15 test ve %5 validation oranlarıyla ESA'da eğitilmiştir. Bu dört ESA mimarisi ile yapılan sınıflandırmada; doğruluk, kesinlik, duyarlılık, özgüllük, F1-skor, Cohen'in kappa istatistiği ve k-katlı çapraz doğrulama performans ölçümleri kullanıldı. Çalışma sonucunda, ÖPDN modelinin el kısmı %66,16, parmak kısmı %69,97, bilek kısmı 73,86, ön kol kısmı 74,07, dirsek kısmı 78,74, humerus kısmı 78,65 ve omuz kısmı 68,42 test doğruluk değeri sonuçları ile diğer AlexNet, ResNet, klasik DenseNet ve Paralel DenseNet modellerinden daha başarılı sonuçlar elde edilmiştir. Elde edilen sonuçlarda MURA X-ray görüntüleri ile yapılan analizlerde, sınıflandırmada erken ve doğru teşhis için ÖPDN modelinin başarıyla kullanılabileceğini göstermektedir.
Özet (Çeviri)
Musculoskeletal disorders are anomalies of the bones and muscles that affect the majority of the world's population. Radiographic studies are the most common technique for detecting these anomalies as part of medical diagnosis. Deep learning, a sub-unit of artificial intelligence today, is being applied in many areas of complex and critical importance in the world. In this study, deep learning methods, whose classification studies continue to increase, are used to detect musculoskeletal anomalies. The aim of this study is to develop a deep learning model, DenseNet, using parallel layers with X-ray images from the MURA (Musculoskeletal Radiographs) dataset. In the study, the preprocessing stages were first applied to X-ray images of the hand, finger, wrist, forearm, elbow, humerus and shoulder in the MURA dataset. X-ray images were rotated, projected on axes and scaled to increase the amount of input image data. X-ray images with the same resolution and bit depth were trained with a convolutional neural network (CNN) using MATLAB software and classified as healthy and anomaly. In order to develop the classical DenseNet method in the study, X-ray images were trained by adding parallel blocks in the MATLAB program and using the Parallel DenseNet and Proposed Parallel DenseNet (ÖPDN) methods. Additionally, classification was made with AlexNet and ResNet, a deep learning method, to compare the results. The same parameter settings were used in all ESA models. X-ray images were trained in ESA with an 80% training, 15% test, and 5% validation ratio using a random data selection method. In the classification made with these four ESA architectures; accuracy, precision, sensitivity, specificity, F1-score, Cohen's kappa statistic and k-fold cross-validation performance measurements were used. As a result of the study, the values of the test accuracy of the ÖPDN model for the hand part 66.16%, finger part 69.97%, wrist part 73.86%, forearm part 74.07%, elbow part 78.74%, humerus part 78.65% and shoulder part 68.42% were more successful than the other AlexNet, ResNet, classical DenseNet and Parallel DenseNet models. The results obtained show that the ÖPDN model can be used successfully for early and accurate diagnosis in classification, in analyzes made with MURA X-ray images.
Benzer Tezler
- Detection of body anomalies using radiographic images
Radyografik görüntüler kullanılarak vücut anomalisi tespiti
ZAHRA HARIRA
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EFNAN ŞORA GÜNAL
- Rotasyonel menteşeli protezlerde kollateral bağ varlığının sonuçlara etkisi
Effect of collateral ligament presence on results in rotating hinge prosthesis
ŞAHAN GÜVEN
Tıpta Uzmanlık
Türkçe
2023
Ortopedi ve TravmatolojiAnkara Yıldırım Beyazıt ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF. DR. AHMET FIRAT
- Radyolojik olarak osteoartrit bulgusu gösteren hastaların temporomandibuler eklem bölgesine ait konik ışınlı bilgisayarlı tomografi görüntülerinin histogram ve fraktal analiz yöntemiyle değerlendirilmesi
Evaluation of cone-beam computerized tomography images of the temporomandibular joint region of patients with radiological sign of osteoarthritis by histogram and fractal analysis method
ÖMER ONUR GÜMÜŞ
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiGazi ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
PROF. DR. KAHRAMAN GÜNGÖR
- Comparative studies of ultrasonography in orthopedics
Ultrasonografinin ortopedideki uygulama alanları ve konvansiyonel radyografi ile kıyaslamaları
T. UFUK EREN
- Boyun ağrısı olan hastalarda, ağrı, özürlülük, yaşam kalitesi ve psikolojik durumun değerlendirilmesi ve radyolojik bulgularla korelasyonu
Assessment of pain, disability, quality of life and psychological status and their relationship between radiological findings in patients with cervical pain
MURAT ADIM
Tıpta Uzmanlık
Türkçe
2010
Fiziksel Tıp ve RehabilitasyonMersin ÜniversitesiFiziksel Tıp ve Rehabilitasyon Ana Bilim Dalı
DOÇ. DR. ALİ BİÇER