Geri Dön

Tıbbi görüntülerde skolyoz sınıflandırması: Transfer öğrenme destekli DVM yaklaşımı

Scoliosis classification in medical images: Transfer learning aided SVM approach

PDF İndir

  1. Tez No: 941644
  2. Yazar: FATIMANUR GÜLTEKİN
  3. Danışmanlar: DOÇ. DR. BETÜL HİÇDURMAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Matematik, Computer Engineering and Computer Science and Control, Science and Technology, Mathematics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Medeniyet Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Uygulamalı Matematik ve Hesaplamalı Bilimler Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 43

Özet

Bu çalışmada, omurganın önden ve arkadan çekilmiş röntgen görüntülerinden skolyozun otomatik olarak sınıflandırılmasına yönelik üç farklı makine öğrenmesi yaklaşımı değerlendirilmiştir. Bunlardan ilki, DenseNet201 derin öğrenme mimarisi ile doğrudan sınıflandırma; ikincisi transfer öğrenme ile çıkarılan derin özniteliklerin Destek Vektör Makinesi (DVM) ile sınıflandırıldığı hibrit yapı; üçüncüsü de sadece DVM'dir. Model performansını artırmak için IMADJUST (Image Intensity Adjustment – Yoğunluk Aralığını Yeniden Ölçeklendirme) görüntü önişleme yöntemi kullanılmıştır. DVM uygulamalarında, literatürde yeni olan Logaritmik Çekirdek Fonksiyonu (Logarithmic Kernel Function – LKF) da dahil olmak üzere farklı çekirdek fonksiyonları (Doğrusal, RBF, ANOVA, vb.) kullanılmış ve hiper parametre optimizasyonu yapılmıştır. Yöntemler doğruluk, F1 skoru, duyarlılık, kesinlik, eğitim süresi gibi performans ölçütleri üzerinden karşılaştırılmıştır. Deneysel sonuçların yorumlanması için boyut küçültme yöntemleri kullanılarak (t-SNE, UMAP) örneklerin orijinal vektörleri ve derin öğrenme ile elde edilen özellik vektörleri görsellenmiştir. Derin öğrenme ile elde edilen vektörlerde nonlineer yapının kaybolduğu, sınıfların basit şekilde ayrılabilecek kadar farklı konumda gruplandığı görülmektedir. Sonuçlar, transfer öğrenmenin ham verilerle %100 doğruluk sağladığını göstermiştir. Hibrit modeller, DVM'ye göre daha yüksek doğruluk, transfer öğrenmeye göre ise çok daha kısa işlem süresi sunmuştur. Özellikle ANOVA, LKF ve Doğrusal çekirdeklerle çalışan hibrit modellerin %97–100 doğruluk aralığında ve 2–5 saniye arasında sınıflandırma gerçekleştirdiği gözlenmiştir. Bu bulgular, hibrit yaklaşımın doğruluk, hız ve genelleme performansı açısından skolyoz sınıflandırması için etkili bir çözüm sunduğunu göstermektedir.

Özet (Çeviri)

In this study, three different machine learning approaches were evaluated for the automatic classification of scoliosis from anterior and posterior spinal X-ray images. The first approach involves direct classification using the DenseNet201 deep learning architecture; the second is a hybrid model where deep features extracted via transfer learning are classified using a Support Vector Machine (SVM); and the third approach uses only the SVM for classification. To enhance model performance, the IMADJUST (Image Intensity Adjustment – Rescaling of Intensity Range) image preprocessing technique was applied. In the SVM-based models, various kernel functions—including the Logarithmic Kernel Function (LKF), which is relatively new in the literature, as well as Linear, RBF, and ANOVA kernels—were utilized, and hyperparameter optimization was performed. The methods were compared based on several performance metrics such as accuracy, F1-score, recall, precision, and training time. For interpreting the experimental results, dimensionality reduction techniques (t-SNE and UMAP) were used to visualize both the original feature vectors and the deep feature vectors obtained through deep learning. The results showed that non-linear structures disappeared in the deep feature vectors, and the classes were grouped in distinctly separable positions. The findings revealed that transfer learning achieved 100% accuracy when applied to raw data. Hybrid models outperformed pure SVM in terms of accuracy and were significantly faster than transfer learning. Notably, hybrid models using ANOVA, LKF, and Linear kernels achieved classification accuracies between 97% and 100% within 2 to 5 seconds. These results demonstrate that the hybrid approach offers an effective solution for scoliosis classification in terms of accuracy, speed, and generalization capability.

Benzer Tezler

  1. Tez No

    899755

    Röntgen görüntülerinden derin öğrenme ile omurga deformitesinin tespiti

    Detection of spine deformity deep from X-ray images with deep learning

    TUĞBA ÖZMEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜSEYİN ESKİ

  2. Tez No

    793801

    Skolyoz cerrahisi planlanan hastalar için tıbbi görüntülemeyöntemleri kullanılarak, kişiye özel üç boyutlu pedikül vidakılavuzlarının tasarlanması

    Designing personalized three-dimentional pedicle screw guides using medical imaging methods for patients planned for scoliosis surgery

    ARZU SEÇİL SARIBAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    BiyomühendislikDokuz Eylül Üniversitesi

    Biyomekanik Ana Bilim Dalı

    DOÇ. DR. AHMET KARAKAŞLI

  3. Tez No

    815182

    Mikrodalga temelli klinik öncesi deneysel ortopedik görüntüleme sisteminin geliştirilmesi

    Development of a microwave-based pre-clinical experimental orthopedical imaging system

    ERCAN MENGÜÇ

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiAkdeniz Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. SELÇUK HELHEL

  4. Tez No

    246953

    Tıbbi görüntülerde içerik tabanlı görüntü erişimi için özellik çıkarım yöntemleri

    Feature extraction methods using biomedical images for content based image retrieval

    MUHAMMET BAYKARA

    Yüksek Lisans

    Türkçe

    Türkçe

    2009

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. BURHAN ERGEN

  5. Tez No

    232157

    Calculation of true T1, T2 and proton density images for the elimination of signal intensity artifacts in segmentation of brain tissue in magnetic resonance imaging

    Beyin dokusu segmentasyonunda sinyal yoğunluğuna bağlı hataların elenmesi için gerçek T1, T2 and proton yoğunluğu görüntülerinin hesaplanması

    ONUR AĞUŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2008

    BiyomühendislikBoğaziçi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. MEHMED ÖZKAN

Geri Dön