Röntgen görüntülerinin derin öğrenme algoritmalarıyla sınıflandırılması
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Aksaray Üniversitesi Sosyal Bilimler Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Günümüzde yapay zeka algoritmaları, hızları ve doğrulukları nedeniyle modern sağlık sistemlerinde, personellere yardımcı olmak adına, sıklıkla kullanılmaktadır. Ortopedi servisinin olmadığı ya da sağlık sistemine uzak mesafede bulunan yerlerde yaşayan bireylerin yaşadıkları kemik kırığı problemlerinin hızlı ve doğru bir şekilde teşhis edilmesi önem arz etmektedir. Bu çalışmada, röntgen görüntüleri derin öğrenme algoritmalarıyla işlenerek, kırık olup olmadığı, varsa kırığın yerinin tespit edilmesi amaçlanmaktadır. Çalışmada; You Only Look Once (YOLOv8 ve YOLOv9) algoritmaları kullanılmıştır. Yapılan değerlendirmeler, en iyi sonucun, gerçek zamanlı nesne tespitine imkân tanıyan ve en güncel algoritma olarak bilinen YOLO algoritmasının 9. versiyonu ile alındığını göstermiştir. Geliştirilen yeni yaklaşım ve kullanılan YOLOv9 algoritmasıyla, %97 mAP50 değerine ulaşılmıştır. Derin öğrenme modelinin geliştirilmesi aşamasında, Stanford Üniversitesi Makine Öğrenmesi Grubu tarafından oluşturulan ve halka açık en büyük radyografik görüntü veri kümelerinden biri olan MURA v1.1 veri seti kullanılmıştır. Bu veri seti, çeşitli kırık türlerini içeren geniş bir yelpazeye sahip olup, modelin eğitimi ve test edilmesi için idealdir. Sonuç olarak, geliştirilen yöntem ile profesyonel sağlık hizmetlerine ulaşımın zor ya da imkânsız olduğu yerlerde yaşayan bireylerin yaşadığı kemik kırığı problemlerini hızlı ve doğru bir şekilde teşhis etmek ve aynı zamanda acil servislerdeki yoğunluk kaynaklı teşhis hatalarını en aza indirmek üzere bir uygulama geliştirilmiştir.
Nowadays, artificial intelligence algorithms are frequently used in modern healthcare systems to assist staff due to their speed and accuracy. It is important to quickly and accurately diagnose bone fracture problems experienced by individuals living in places where there is no orthopedic services or far away from the health care system. In this study, X-ray images are processed with deep learning algorithms to determine whether there is a fracture or not, and if there is a fracture, to detect the location of the fracture. You Only Look Once (YOLOv8 and YOLOv9) algorithms were used in the study. The evaluations showed that the best results were obtained with the 9th version of the YOLO algorithm, which is known as the most up-to-date algorithm that allows real-time object detection. With the new approach we have developed and with usage of YOLOv9 algorithm, a mAP50 value of 97% was achieved. The MURA v1.1 dataset, which is one of the largest publicly available radiographic image datasets created by the Stanford University Machine Learning Group, was used to develop the deep learning model. This dataset contains a wide range of fracture types and is ideal for training and testing the model. As a result, an application has been developed to quickly and accurately diagnose bone fracture problems experienced by individuals living in areas where access to professional healthcare services is difficult or impossible, and at the same time minimize the diagnostic errors due to overcrowding in emergency services.
Nowadays, artificial intelligence algorithms are frequently used in modern healthcare systems to assist staff due to their speed and accuracy. It is important to quickly and accurately diagnose bone fracture problems experienced by individuals living in places where there is no orthopedic services or far away from the health care system. In this study, X-ray images are processed with deep learning algorithms to determine whether there is a fracture or not, and if there is a fracture, to detect the location of the fracture. You Only Look Once (YOLOv8 and YOLOv9) algorithms were used in the study. The evaluations showed that the best results were obtained with the 9th version of the YOLO algorithm, which is known as the most up-to-date algorithm that allows real-time object detection. With the new approach we have developed and with usage of YOLOv9 algorithm, a mAP50 value of 97% was achieved. The MURA v1.1 dataset, which is one of the largest publicly available radiographic image datasets created by the Stanford University Machine Learning Group, was used to develop the deep learning model. This dataset contains a wide range of fracture types and is ideal for training and testing the model. As a result, an application has been developed to quickly and accurately diagnose bone fracture problems experienced by individuals living in areas where access to professional healthcare services is difficult or impossible, and at the same time minimize the diagnostic errors due to overcrowding in emergency services.
Açıklama
Anahtar Kelimeler
Derin Öğrenme, Kırık Teşhisi, YOLO, CNN, R-CNN, Röntgen Görüntüleri, Deep Learning, Fracture Diagnosis, X-ray Images
