Koşullu dikkat mekanizmalı ve zorluk duyarlı derin öğrenme ile kemik yaşı tahmini
Bone age estimation with conditional attention mechanism and difficulty-aware deep learning
- Tez No: 989811
- Danışmanlar: DOÇ. DR. OĞUZ ALTUN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Görüntü işleme-bilgisayarlı, Sayısal görüntü işleme, Teşhis-bilgisayar-destekli, Image processing-computer assisted, Digital image processing, Diagnosis-computer-assisted
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çocukluk ve ergenlik dönemindeki bireylerin biyolojik gelişim düzeyinin doğru şekilde belirlenmesi klinik ve hukuki uygulamalar açısından büyük önem taşımaktadır. Yapılan değerlendirmeler büyüme bozukluklarının erken tanısı ve tedavi planlaması gibi birçok alanda belirleyici rol oynamaktadır. Bireyin iskeletsel olgunluğunu yansıtan kemik yaşı tahmini, tercih edilen ve güvenilir yöntemlerden biri olarak kullanılmaktadır. Kemik yaşı değerlendirmesinde uzun yıllardır başvurulan atlas tabanlı manuel yöntemler, değerlendirmeyi yapan uzmanın yorumuna bağlı olması nedeniyle öznel sonuçlara yol açabilmektedir. Ayrıca bu yöntemler, güncel veri çeşitliliğiyle yeterince uyumlu olmadıkları için özellikle farklı popülasyonlara ait görüntüler üzerinde yetersiz kalabilmektedir. Son yıllarda bu sorunlara çözüm üretmek amacıyla yapay zeka ve derin öğrenme temelli yaklaşımlar ön plana çıkmıştır. Çalışmamızda el radyografilerine dayalı kemik yaşı tahmini için üç aşamalı ve koşullu öğrenme mekanizmalarına dayanan bir derin öğrenme mimarisi öneriyoruz. Geliştirilen bu sistem görsel verinin yanı sıra bireyin cinsiyet bilgisi ve önceki tahmin çıktıları gibi yardımcı değişkenleri de tahmin sürecine katarak çok katmanlı biçimde iyileştirmektedir. Önerilen modelin öne çıkan özelliklerinden biri, zorlayıcı ve ayırt edici özellikler içeren vakalar karşısında dahi istikrarlı ve başarılı sonuçlar verebilmesidir. Literatürdeki pek çok derin öğrenme modeli, özellikle uç yaş gruplarını içeren veya morfolojik açıdan karmaşık el görüntülerinde yüksek hata oranı ile çalışmaktadır. Bu sınırlılığı aşmak için geliştirilen mimari, örnek bazlı zorluk düzeyi ayarlaması, koşullu öğrenme yapısı ve dikkat mekanizmaları gibi bileşenlerden oluşturmaktadır. Böylece karmaşık örneklerde dahi tutarlı tahminler üretebilmiştir. Modelin doğruluğu için hesaplanan medyan mutlak sapma (MAD) değeri, 2,74 aydır. Bu sonuç, alandaki başarılı modellerle karşılaştırıldığında daha düşük hata oranına işaret etmektedir. Ortalama mutlak hata (MAE) için 4,28 ay ve kök ortalama kare hata (RMSE) için 5,65 ay düzeyinde sonuçlar elde edilmiştir. Bu metrikler, modelin ortalama başarıyı ve hata dağılımındaki tutarlılığı sağladığını göstermektedir. Yapılan karşılaştırmalarda modelin hata oranlarında yaklaşık %30–45 düzeyinde bir azalma sağladığı gözlemlenmiştir. Bu düzeydeki iyileşme, modelin akademik ve klinik uygulamalar için güçlü bir aday olduğunu göstermektedir.
Özet (Çeviri)
Accurately determining the biological developmental level of individuals during childhood and adolescence is crucial for clinical and legal applications. These assessments play a decisive role in many areas, such as the early diagnosis of growth disorders and treatment planning. Bone age estimation, which reflects an individual's skeletal maturity, is used as one of the preferred and reliable methods. Manual atlas-based methods, which have been used for many years for bone age assessment, can lead to subjective results due to their reliance on the judgment of the expert performing the assessment. Furthermore, these methods are insufficiently compatible with the current data diversity and can be inadequate, particularly on images from diverse populations. In recent years, artificial intelligence and deep learning based approaches have gained prominence to address these issues. In our study, we propose a deep learning architecture based on three-stage conditional learning mechanisms for bone age estimation based on hand radiographs. This developed system integrates auxiliary variables such as the individual's gender and previous estimation results into the estimation process, incorporating visual data as well as auxiliary variables such as the individual's gender and previous estimation results, thus enhancing the estimation process in a multi-layered manner. One of the prominent features of the proposed model is its ability to deliver consistent and successful results even in challenging and distinctive cases. Many deep learning models in the literature operate with high error rates, particularly on hand images containing extreme age groups or morphologically complex images. The architecture developed to overcome this limitation consists of components such as example-based difficulty level adjustment, a conditional learning structure, and attention mechanisms. This allows it to produce consistent predictions even with complex examples. The median absolute deviation (MAD) value calculated for the model's accuracy is 2.74 months. This result indicates a lower error rate compared to successful models in the field. Results for the mean absolute error (MAE) were 4.28 months and the root mean square error (RMSE) were 5.65 months. These metrics demonstrate that the model achieves average accuracy and consistent error distribution. Comparisons have shown a reduction in error rates of approximately 30–45%. This improvement indicates that the model is a strong candidate for academic and clinical applications.
Benzer Tezler
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Derin öğrenme tabanlı kenar rehberli görüntü iç boyama
Edge guided image inpainting based on deep learning
MUHAMMET NURİ DUDAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERDAR ÇİFTÇİ
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Accelerating molecular docking using machine learning methods
Kenetleme hesaplarının makine öğrenme metotları ile hızlandırılması
ABDULSALAM YAZID BANDE
Yüksek Lisans
İngilizce
2022
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
Assist. Prof. Dr. SEFER BADAY