KEMİK KIRIKLARININ GÖRÜNTÜ İŞLEME YÖNTEMLERİ İLE TAM OTOMATİK TESPİTİ VE YAPAY ZEKA ALGORİTMALARI İLE SINIFLANDIRILMASI

Abstract

ÖZET

Birçok alanda olduğu gibi biyomedikal ve tıp alanında da insanların hata oranlarını aza indiren, nicelleştiren, kullanıcılara parametrik ve görsel sonuçlar sunan yazılım uygulamaları geliştirmek giderek önem kazanmaktadır. Teşhisi mümkün olmayan veya yanlış teşhis edilmiş kırık vakaları ortopedide önemli sorunların başında gelmektedir. Yanlış teşhis ile birlikte yanlış uygulanan tedavi sonucu iyileşme süreçleri uzayabilmekte ve hasta bu durumdan kötü etkilenebilmektedir. Bununla birlikte, kemik kırıklarının sınıflandırılarak tespit edilmesi biyomedikal alanda en çok tercih edilen alanlardan biridir. Bu tez çalışmasında Python ve MATLAB ortamlarında makine öğrenmesi algoritmaları ile geliştirilen bir yazılım kullanılarak kemik kırıkları tam otomatik bir şekilde tespit edilmiştir. Kemik kırıklarını tespit etmek için ilk olarak, görüntü veri seti üzerinde görüntü ön işleme adımları uygulanmıştır. Sonrasında görüntülerin segmentasyon işleminde K-ortalama ve Otsu eşikleme metodu birlikte kullanılmıştır. Bağlı Bileşen Etiketleme (Connected Component Labeling, CCL) algoritması kullanılarak iki farklı segmentasyon modeli sonucu oluşan görüntülerden standart bir veri seti elde edilmiştir. Yeni görüntü veri seti üzerinde dilimleme işlemi gerçekleştirilmiştir. Dilimleme işleminde 325x175 boyutundaki görüntüler, ilk adımda 12, sonraki 4 adımda 11 eşit parçaya (27x175) ayrılmıştır. Oluşturulan görüntü alt kümeleri üzerinde öznitelik çıkarım parametreleri uygulanarak 31 adet öznitelik çıkarılmıştır. Çıkarılan öznitelikler ve görüntü alt kümelerine (dilimlere) ait özellikler excel ortamına aktarılmıştır. Son olarak öznitelikler makine öğrenmesi algoritmalarına girdi olarak sınıflandırma işlemi yapılmıştır. Makine öğrenme algoritması olarak Destek Vektör Makineleri, K-En Yakın Komşu, Karar Ağacı, Topluluk Öğrenimi, Lojistik Regresyon ve Naive Bayes sınıflandırıcısı algoritmaları kullanılmış ve elde edilen sonuçlar karşılaştırılmıştır. En başarılı üç algoritma (Destek Vektör Makineleri, K-En Yakın Komşu, Topluluk Öğrenimi) ile çoğunluk oylaması (majority voting) yapılmıştır. Bu tez çalışması sonucunda Destek Vektör Makineleri %96.67 Accuracy, %97.78 Specificity, %95.56 Sensitivity, 0.93 MCC değerleri ile en başarılı algoritmadır. Başarıyı destekler nitelikte ki uygulanan majority voting sonucunda ise %95.56 Accuracy, %97.78 Specificity, %93.33 Sensitivity, 0.91 MCC değerleri elde edilmiştir.

ABSTRACT

It has increasingly become important to develop software applications that reduce, quantify people's error rates, provide parametric and visual results to users, in the field of biomedical and medicine, as in many other fields. Undiagnosed or misdiagnosed fractures are one of the most important problems in orthopedics. As a result of the wrong diagnosis and the wrong treatment, the healing processes can be prolonged and the patient can be badly affected by this situation. In addition, classification and detection of bone fractures is one of the most preferred areas in the biomedical field. In this thesis, bone fractures were detected fully automatically with machine learning algorithms by using Python and MATLAB together. In order to detect bone fractures firstly, image preprocessing steps were applied on the image dataset. Then, K-means and Otsu Thresholding method were used together in the segmentation process of the images. By using the Connected Component Labeling (CCL) algorithm, a standard dataset was obtained from the images formed as a result of two different segmentation models. Slicing process was performed on the new image dataset. In the slicing process, 325x175 images were divided into 12 equal parts (27x175) in the first step and 11 equal parts (27x175) in the next 4 steps. 31 features were extracted by applying feature extraction parameters on the created image subsets. Extracted features and features of image subsets (slices) were transferred to excel. Finally, the features were given to the machine learning algorithms and the classification process was carried out. As machine learning algorithms, Support Vector Machines, K-Nearest Neighbor, Decision Tree, Ensemble Learning, Logistic Regression and Naive Bayes Classifier algorithms are used and compared. Majority voting was performed with the three most successful algorithms (Support Vector Machines, K-Nearest Neighbor, Ensemble Learning). As a result of this thesis study, Support Vector Machines is the most successful algorithm with %96.67 Accuracy, %97.78 Specificity, %95.56 Sensitivity, 0.93 MCC. As a result of Majority Voting, it is obvious that %95.56 Accuracy, %97.78 Specificity, %93.33 Sensitivity, 0.91 MCC values obtained supporting success.