Kalça radyografilerinde derin öğrenme yöntemleri ile proksimal femur kırıklarının tanısı ve sınıflandırılması
Diagnosis and classification of proximal femur fractures on hip radiographs with deep learning methods
- Tez No: 747474
- Danışmanlar: PROF. DR. MURAT ARI, DR. ÖĞR. ÜYESİ SEDA ŞAHİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Femur boynu kırıkları, Makine öğrenmesi, Proksimal interfalangeal eklem, Radyografi, Yapay zeka, Deep learning, Femoral neck fractures, Machine learning, Proximal interphalangeal joint, Radiography, Artificial intelligence
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Proksimal femur kırığı geçirmiş olan hastaların %4'ü hastanede, %30'u ise tedaviden sonra 1 yıl içerisinde yaşamlarını kaybederler. Acil servislerin yoğunlukları ve hastalara ayrılan zamanın kısalığı nedeniyle kalça radyografilerinde proksimal femur kırıkların tanısı atlanabilmektedir. Proksimal femur kırıklarına doğru ve hızlı tanı konulması ile tedaviye erken başlanması hasta morbidite ve mortalitesini azaltmaktadır. Dört veri seti hazırlanmıştır. İlk veri setimizde (VS-1) 178 x-ray görüntüsü, ikinci veri setimiz (VS-2), VS-1'e görüntü işleme yöntemlerinden CLAHE filtresi uygulanmış halidir, üçüncü veri setimizde (VS-3), VS-1'e veri artırımı yapılarak elde edilmiş olup 316 adet x-ray görüntüsü ve son olarak dördüncü veri setimizde (VS-4) ise VS-3'e CLAHE filtresi uygulanarak elde edilmiştir. Kırıkların teşhisinde öğrenim aktarımı modellerinden DenseNet201, Xception, ResNet152V2 ve InceptionResNetV2 kullanılmıştır. Bu modeller bütün veri setlerinde eğitilmiştir. VS-1'de InceptionResNetV2 modeli ile F1 score 0.9500 başarı elde edilmiştir. VS-2'de DenseNet201 ve InceptionResNetV2 modellerinde F1 score 0.9500 başarı elde edilmiştir. VS-3'de Xception ve InceptionResNetV2 modellerinde F1 score 0.9000 başarı elde edilmiştir. VS-4'te ise DenseNet201 modelinde F1 score 0.9250 başarı elde edilmiştir. Genel olarak baktığımızda veri seti artırıldığında ve görüntü işleme yöntemlerinden CLAHE filtresi uygulandığında başarısı düşük olan modellerde başarı oranları artmaktadır. Bu çalışmamızda yeterli miktarda veri olduğunda ve görüntü işleme teknikleri ile desteklendiğinde Yapay Zeka teknolojisini proksimal femur kırıklarının optimize tespiti için kullanılabilir ve ayrıca klinisyenlerin çalışmalarını kolaylaştırabilir olduğunu gördük.
Özet (Çeviri)
4% of patients who have had a proximal femur fracture die in hospital, and 30% die within 1 year after treatment. The diagnosis of proximal femur fractures can be missed on hip radiographs due to the intensity of the emergency services and the short time allocated to the patients. Accurate and rapid diagnosis of proximal femur fractures and early initiation of treatment reduce patient morbidity and mortality. Four data sets were prepared. 178 x-ray images in our first dataset (VS-1), our second dataset (VS-2), VS-1 with CLAHE filter applied from image processing methods, in our third dataset (VS-3), VS-1 316 x-ray images and finally in our fourth data set (VS-4) were obtained by applying CLAHE filter to VS-3. Learning transfer models DenseNet201, Xception, ResNet152V2 and InceptionResNetV2 were used in the diagnosis of fractures. These models are trained on all datasets. F1 score of 0.9500 was achieved with the InceptionResNetV2 model in VS-1. F1 score of 0.9500 was achieved in DenseNet201 and InceptionResNetV2 models in VS-2. F1 score of 0.9000 was achieved in Xception and InceptionResNetV2 models in VS-3. In VS-4, F1 score of 0.9250 was achieved in the DenseNet201 model. In general, when the data set is increased and the CLAHE filter is applied from the image processing methods, the success rates of the models with low success increase. In this study, we have seen that when there is sufficient data and supported by image processing techniques, Artificial Intelligence technology can be used for optimized detection of proximal femur fractures and can also facilitate the work of clinicians.
Benzer Tezler
- Yapay zeka ve derin öğrenme teknolojileri ile kalça eklemi radyografilerinde femoral komponentin tanınması
Identifying femoral stems from pelvic x-ray with deep learning and artificial intelligence algorithm
AHMET METİN ÖZSEZEN
Tıpta Uzmanlık
Türkçe
2021
Ortopedi ve TravmatolojiSağlık Bilimleri ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF. DR. CEMİL YILDIZ
- Derin öğrenme ile kalça protezlerindeki aşınmanın tespiti
Detection of wear in hip prostheses using deep learning
YAHIA ADWAN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ÖZTÜRK
- Çimentosuz total kalça artroplastisi: Kısa ve orta dönem sonuçlar
Cementless total hip arthroplasty: Short and mid-term results
DENİZ İPEK
Tıpta Uzmanlık
Türkçe
2004
Ortopedi ve TravmatolojiSağlık BakanlığıOrtopedi ve Travmatoloji Ana Bilim Dalı
DOÇ. DR. YALIM ATEŞ
- Wagner SL revizyon kalça protezi uygulanan hastaların 5?13 yıllık takip sonuçları(Retrospekt?f çalışma)
Başlık çevirisi yok
KÜRŞAT GENÇER
Tıpta Uzmanlık
Türkçe
2009
Ortopedi ve TravmatolojiErciyes ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF. DR. ALİ BAKTIR
- Yürüyebilen ve yürüyemeyen Serebral Palsili çocukların Articulatio Coxae'ların anatomik ve alt ekstremitelerin antropometrik ölçümlerinin karşılaştırılması
Comparison of anthropometric measurements of lower extremities and Articulationes Coxae anatomically in ambulatory and non- ambulatory children with Cerebral Palsy
BUKET RENDE
Yüksek Lisans
Türkçe
2019
AnatomiKocaeli ÜniversitesiAnatomi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYLA TEKİN ORHA