İKİNCİ SERVİKAL VERTEBRANIN ANTROPOMETRİK ÖLÇÜMLERİ İLE MAKİNE ÖĞRENME ALGORİTMALARI KULLANILARAK CİNSİYET TAYİNİ ÜZERİNE BİR ÇALIŞMA

Abstract

ÖZET

Cinsiyet tayini, adli antropoloji ve adli tıbbın önemli konularındandır. Cinsiyet tahmininde kullanılan pelvis ve cranium en dimorfik kemikler olmasına rağmen incelenmesi zor olduğu durumlarda vertebrae cervicales de tercih edilmektedir. Çalışmamızın amacı; Sekazu programında axis’e ait Bilgisayarlı Tomografi (BT) görüntüleri üzerinde yer imlerinin belirlenmesi ile makine öğrenme algoritmaları kullanılarak cinsiyet tayini çalışması yapmaktır. Çalışmamızda Karabük Üniversitesi Eğitim Araştırma Hastanesi’ne çeşitli sağlık problemleriyle müracaat etmiş 20-50 yaş arası sağlıklı 100 erkek, 100 kadın bireylerin Picture Archiving and Communication System (PACS) arşiv sistemindeki BT görüntüleri kullanıldı. Bu görüntüler Digital Imaging and Communications in Medicine (DICOM) formatında kaydedildi. Kaydedilen görüntüler kişisel iş istasyonuna (Horos Project, Versiyon 3.0) aktarıldı. Kişisel iş istasyonunda bulunan BT görüntüleri Curved Multiplanar Reconstruction (3D MPR) kullanılarak ortogonal düzleme getirildi. Koronal ve horizontal düzlemlerde ortogonale getirilen görüntüler DICOM formatında dışa aktarım yapılarak Sekazu programına aktarılmıştır. Programa aktarılan görüntüler; dens axis, apex dentis, corpus vertebrae, processus spinosus, processus transversus, facies articularis superior, foramen vertebrale, foramen transversarium üzerine etiketlerin yerleştirilmesiyle nitelikler etiketlerin koordinatları kullanılarak hesaplandı. Hesaplanan nitelikler üzerinden makine öğrenme algoritmaları kullanılarak 13 farklı uzunluk ve 2 farklı açı çözümlendi. Çözümlemenin sonucunda en yüksek doğruluk oranları şunlardır: Rastgele Orman %88, Karar Ağacı %84, Destek Vektör Makinesi %86, Kuadratik Diskriminant Analizi %87, Doğrusal Olmayan Destek Vektör Sınıflandırması %89, Ada Boost Sınıflandırması %86, Ekstra Ağaçlar Sınıflandırması %89, K-En Yakın Komşular Regresyonu %88, Doğrusal Diskriminant Analizi %89, Gaussian Naive Bayes Sınıflandırması %84, Gauss Süreç Sınıflandırıcısı %84, Gradyan Arttırma Modeli %86’dır. Çalışmamızın sonucunda axis BT görüntüleri üzerinden makine öğrenme algoritmaları kullanılarak yüksek oranda cinsiyet tayini yapılabileceği öngörülmüştür.

ABSTRACT

Gender determination is an important topic in forensic anthropology and forensic medicine. Although the pelvis and cranium used in gender prediction are the most dimorphic bones, vertebrae cervicales are also preferred when it is difficult to examine. The purpose of our study; In Sekazu program, determination of bookmarks on Computerized Tomography (CT) images of axis and gender determination by using machine learning algorithms. In our study, CT images of 100 healthy males and 100 females between the ages of 20-50 who applied to Karabuk University Education and Research Hospital with various health problems were used in the Picture Archiving and Communication System (PACS) archive system. These images were recorded in Digital Imaging and Communications in Medicine (DICOM) format. The recorded images were transferred to a personal workstation (Horos Project, Version 3.0). CT images on the personal workstation were brought to the orthogonal plane using Curved Multiplanar Reconstruction (3D MPR). Images that were orthogonalized in coronal and horizontal planes were exported in DICOM format and transferred to the Sekazu program. Images transferred to the program; by placing tags on the dens axis, apex dentis, corpus vertebrae, processus spinosus, processus transversus, facies articularis superior, foramen vertebrale, foramen transversarium, the attributes were calculated using the coordinates of the tags. 13 different lengths and 2 different angles were analyzed using machine learning algorithms based on the calculated features. As a result of the analysis, the highest accuracy rates are: Random Forest 88%, Decision Tree 84%, Support Vector Machine 86%, Quadratic Discriminant Analysis 87%, Nonlinear Support Vector Classifier 89%, Ada Boost Classifier 86%, Extra Trees Classifier 89%, K-Nearest Neighbors Regression 88%, Linear Discriminant Analysis 89%, Gaussian Naive Bayes Classifier 84%, Gaussian Process Classifier 84%, Gradient Boosting Model 86%. As a result of our study, it was predicted that gender determination can be made at a high rate by using machine learning algorithms on axis CT images.