Foramen magnum ve condylus occipitalis'in bilgisayarlı tomografi görüntüleri kullanılarak makine öğrenme algoritmalarıyla yaşa ve cinsiyete göre değerlendirilmesi
Evaluating foramen magnum and condylus occipitalis with machine learning algorithms according to age and gender using computerized tomography images
- Tez No: 966918
- Danışmanlar: PROF. DR. SERDAR ÇOLAKOĞLU
- Tez Türü: Doktora
- Konular: Adli Tıp, Anatomi, Morfoloji, Forensic Medicine, Anatomy, Morphology
- Anahtar Kelimeler: Foramen Magnum, Condylus Occipitalis, Bilgisayarlı Tomografi, Makine Öğrenme Algoritmaları, Cinsiyet Tahmini, Foramen Magnum, Occipital Condyle, Computed Tomography, Machine Learning Algorithms, Gender Prediction
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Düzce Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Anatomi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 114
Özet
Kimlik tespiti çalışmalarında cinsiyet ve yaşın belirlenmesi önemli demografik değişkenlerdir. Cranium ile pelvis cinsiyet ve yaş tahmini çalışmalarında incelenen en dimorfik anatomik yapılardır. Ancak cranium ve pelvisin incelenmesi zor olduğu durumlarda insan iskeletine ait çeşitli anatomik yapılar da cinsiyet ve yaş tahmini çalışmalarında incelenmiştir. Çalışmamızda, sağlam anatomik yapısını koruyabilen foramen (for.) magnum ve condylus occipitalis'in verileri kullanılarak makine öğrenme yöntemleri ile cinsiyet ve yaş tahmininde kullanılabilirliği araştırıldı. Çalışmamızda yaş ortalaması 44,37 olan 400 sağlıklı bireyin (200 erkek, 200 kadın) cranium'una ait Bilgisayarlı Tomografi (BT) görüntüleri retrospektif olarak incelendi. For. magnum ve condylus occipitalis'in ölçüm verileri makine öğrenme yöntemleri ile analiz edildi. Çalışmamızda kulanılan makine öğrenme algoritmaları şunlardır: Ekstra Ağaçlar Sınıflandırması (EAS), Rastgele Orman (RO), Karar Ağacı (KA), Doğrusal Diskriminant Analizi (DDA), Kuadratik Diskriminant Analizi (KDA), Lojistik Regresyon (LR), K-En Yakın Komşular Regresyonu (K-EYKR) ve Gaussian Naive Bayes (GNB). LR algoritması ile cinsiyet tahmininde en yüksek doğruluk oranı %84 tespit edildi. Çalışmamızda maksimum intercondiler uzaklık parametresinin cinsiyet tahmininde en yüksek etkiye sahip olduğu belirlendi. Yaş gruplarına (20-29, 30-39, 40-49, 50-59 ve 60 69) göre yapılan analiz sonucunda GNB algoritmasında %30 doğruluk oranı tespit edildi. Ayrıca 50–59 ve 60–69 yaş grupları kullanılmayarak makine öğrenme yöntemleri ile yaşa göre analiz gerçekleştirildi. En yüksek doğruluk oranı KA algoritmasında %42 elde edildi. Yaş gruplarına göre tahminde sağ condylus occipitalis'in genişliği parametresi en yüksek etkiye sahip olduğu belirlendi. For. magnum ve condylus occipitalis'in cinsiyet tahmini amacıyla makine öğrenme yöntemleri kullanılarak yapılan analiz sonucunda cinsiyet ayrımında belirleyici anatomik yapılar olduğu tespit edildi. Bu bağlamda cinsiyet tahmini çalışmalarında makine öğrenme yöntemlerinin kullanılmasının daha hızlı ve güvenilir sonuçların tespit edilmesini sağlayacağı düşüncesindeyiz. Böylelikle kimlik tespiti aşamalarında en önemli dimorfik değişkenin daha hızlı belirlenmesinin adli tıp ve adli antropoloji alanlarına önemli katkılar sağlayabileceği düşüncesindeyiz.
Özet (Çeviri)
Determining gender and age are important demographic variables in identification studies. The cranium and pelvis are the most dimorphic anatomical structures examined in gender and age estimation studies. However, in cases where the cranium and pelvis are difficult to examine, various anatomical structures of the human skeleton have also been examined in gender and age estimation studies. In our study, we investigated the usability of machine learning methods in gender and age estimation using data from the foramen (for.) magnum and occipital condyle, which can maintain their intact anatomical structure. In our study, the cranial Computed Tomography (CT) images of 400 healthy individuals (200 males, 200 females) with an average age of 44.37 were retrospectively examined. The measurement data of for. magnum and occipital condyle were analyzed using machine learning methods. The machine learning algorithms used in our study are: Extra Trees Classification (ETC), Random Forest (RF), Decision Tree (DT), Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), Logistic Regression (LR), K-Nearest Neighbors Regression (K-NN) and Gaussian Naive Bayes (GNB). The highest accuracy rate in gender prediction with the LR algorithm was determined as 84%. In our study, it was determined that the maximum intercondylar distance parameter had the highest effect on gender prediction. As a result of the analysis conducted according to age groups (20-29, 30-39, 40-49, 50-59 and 60-69), an accuracy rate of 30% was determined in the GNB algorithm. In addition, age-based analysis was performed using machine learning methods, excluding the 50–59 and 60–69 age groups. The highest accuracy rate was 42% in the DT algorithm. The width parameter of the right occipital condyle was determined to have the highest effect in prediction according to age groups. As a result of the analysis performed using machine learning methods for gender prediction, for. magnum and occipital condyle were determined to be the determining anatomical structures in gender discrimination. In this context, we believe that using machine learning methods in gender estimation studies will yield faster and more reliable results. Thus, we believe that faster determination of the most important dimorphic variable in the identification stages can make significant contributions to the fields of forensic medicine and forensic anthropology.
Benzer Tezler
- Kranyovertebral bileşke morfometrisindeki değişimlerin yaş ve cinsiyete göre incelenmesi
Changes in craniovertebral junction morphometry according to age and gender: A retrospective study
RABİA RÜYA GÜRLER
- Multidedektör compüterize tomografi (mdct) ile basıs cranıı üzerindeki önemli kemik oluşumlarının morfometrik analizi
A morphometric analysis of important bony landmarks on the skull base by multidetector computerized tomography (mdct)
CİHAN GÖKÇE
- Evcil ördek (anas domestica) ve evcil kaz (anser domesticus) neurocranium'u üzerinde karşılaştırmalı makro-anatomik incelemeler
The Comparative Macro-Anatomical Studies on Neurocranium of Domestic Duck and Domestic Goose
İSHAK TAN
Yüksek Lisans
Türkçe
2015
AnatomiAtatürk ÜniversitesiAnatomi (Veterinerlik) Ana Bilim Dalı
PROF. DR. DEVRİŞ ÖZDEMİR
- Fossa cranıı posterior'da mikrocerrahi yaklaşımda topografik anatomik ve nörostereolojik morfometrik belirleyicilerin ve asimetrinin incelenmesi
Başlık çevirisi yok
MEHMET OZAN DURMAZ
Doktora
Türkçe
2023
AnatomiDokuz Eylül ÜniversitesiAnatomi Ana Bilim Dalı
PROF. DR. NERMİN NÜKET GÖÇMEN KARABEKİR
- Klivus, foramen magnum ve üst servikal spine lokalizasyonlu lezyonlara cerrahi yaklaşımlar
Başlık çevirisi yok
SABRİ CEM AÇIKBAŞ