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

Abstract

ÖZET

Cinsiyetin tespit edilmesi adli tıbbın ve adli antropolojinin önemli konularındandır. Cinsiyetin tespit edilmesi için yapılan çalışmalarda pelvis ve cranium kemikleri en çok tercih edilenlerdir. Pelvis ve cranium kemiklerinin incelenmesinin zor olduğu durumlarda vertebralar cinsiyet analizi çalışmalarında araştırma konusu olmuştur. Çalışmamızın amacı; vertebra prominens’in Bilgisayarlı Tomografi (BT) görüntüleri (100 Erkek, 100 Kadın) kullanılarak cinsiyetin tespit edilmesidir. Karabük Eğitim ve Araştırma Hastanesi’ne çeşitli sebeplerden ötürü başvuru yapmış yaşları 20-50 arasında sağlıklı 100 erkek, 100 kadın bireye ait Picture Archiving and Communication System (PACS) arşiv sisteminde bulunan BT görüntüleri kullanıldı. BT görüntüleri Digital Imaging and Communications in Medicine (DICOM) formatında kaydedilen görüntüler kişisel iş istasyonuna (Horos Project, Versiyon 3.0) aktarıldı. Kişisel iş istasyonunda BT görüntüleri Curved Multiplanar Reconstruction (3D MPR) kullanılarak horizontal, sagittal ve koronal düzlemlerde ortogonele getirildi. Sagittal ve horizontal düzlemlerde ortogonele getirilen görüntüler DICOM formatında kaydedilerek Sekazu programına aktarıldı. Sekazu programında vertebra prominens üzerinde belirlemiş olduğumuz yer imlerine ait etiketler görüntüler üzerine yerleştirildi. Parametreler etiketlerin koordinatları doğrultusunda Sekazu programında hesaplandı. Makine öğrenme algoritmaları kullanılarak 16 uzunluk, 3 açı parametreleri çözümlendi. Çözümleme işlemi sonucunda elde edilen cinsiyet tayininde doğruluk oranları şunlardır: Ada Boost Sınıflandırması %87-91, Karar Ağacı %85-92, Ekstra Ağaçlar Sınıflandırması %87-93, Gradyan Arttırma Modeli %85-91, Gaussian Naive Bayes %87-91, Gauss Süreci Sınıflandırıcısı %81-91, K-En Yakın Komşular Regresyonu %84-93, Doğrusal Diskriminant Analizi %88-94, Doğrusal Destek Vektör Sınıflandırması %88-92, Doğrusal Olmayan Destek Vektör Sınıflandırması %83-93, Kuadratik Diskriminant Analizi %87-90, Rastgele Orman %83-92, Destek Vektör Makineleri %84-92’dir. Çalışmamızda vertebra prominens’e ait BT görüntüleriyle makine öğrenme algoritmaları kullanılarak yüksek oranda cinsiyet tayini yapılabileceği öngörülmüştür.

ABSTRACT

Determination of gender is an important issue in forensic medicine and forensic anthropology. Pelvis and cranium bones are the most preferred in studies to determine gender. In cases where it is difficult to examine the pelvis and cranium bones, vertebrae have been the subject of research in gender analysis studies. The purpose of our study; It is aimed to determine the gender by using Computed Tomography (CT) images (100 Male, 100 Female) of vertebra prominens. The CT images in the Picture Archiving and Communication System (PACS) archive system of 100 healthy males and 100 females between the ages of 20-50 who applied to Karabuk University Training and Research Hospital for various reasons were used. CT images were recorded in Digital Imaging and Communications in Medicine (DICOM) format and transferred to a personal workstation (Horos Project, Version 3.0). On the personal workstation, CT images were brought to orthogonally in the horizontal, sagittal and coronal planes using Curved Multiplanar Reconstruction (3D MPR). Images that were orthogonalized in sagittal and horizontal planes were saved in DICOM format and transferred to Sekazu program. In the Sekazu program, the tags belonging to the bookmarks we have determined on the vertebra prominens were placed on the images. Parameters were calculated in the Sekazu program in line with the coordinates of the labels. Using machine learning algorithms, 16 length and 3 angle parameters were analyzed. The accuracy rates in sex determination obtained as a result of the analysis process are as follows: ADA Boost Classifier 87-91%, Decision Tree 85-92%, Extra Trees Classifier 87-93%, Gradient Boost Model 85- 91%, Gaussian Naive Bayes 87-91%, Gaussian Process Classifier 81-91%, K- Nearest Neighbors Regression 84-93%, Linear Discriminant Analysis 88-94%, Linear Support Vector Classifier 88-92%, Nonlinear Support Vector Classifier 83- 93%, Quadratic Discriminant Analysis% 87-90, Random Forest 83-92%, Support Vector Machines 84-92%. In our study, it was predicted that high rates of gender determination can be made using machine learning algorithms with CT images of vertebra prominens.