DÖRDÜNCÜ VE BEŞİNCİ VERTEBRANIN ANTROPOMETRİK ÖLÇÜMLERİ İLE MAKİNE ÖĞRENME ALGORİTMALARI KULLANILARAK CİNSİYET TAYİNİ ÜZERİNE BİR ÇALIŞMA

Abstract

ÖZET

Bu çalışmada, lumbal 4. ve 5. vertebraların bilgisayarlı tomografi görüntülerinin taranması üzerinden makine öğrenme algoritmaları kullanılmasıyla cinsiyet tahmini yapılması amaçlandı. Çalışmamızda Karabük Üniversitesi Eğitim Araştırma Hastanesi’ne çeşitli sebeplerle başvurmuş 25-50 yaş arası sağlıklı 50 erkek, 50 kadın bireylerin Picture Archiving and Communication System (PACS) arşiv sistemindeki bilgisayarlı tomogrofi görüntüleri kullanıldı. Bu görüntüler Digital Imaging and Communications in Medicine (DICOM) formatında kaydedildi. Kaydedilmiş olan bu görüntüler bireysel iş istasyonuna (Horos Project, Versiyon 3.0) nakledildi.

Kişisel iş istasyonunda bulunan Bilgisayarlı Tomografi(BT) görüntüleri Curved Multiplanar Reconstruction (3D MPR) kullanılmasıyla ortogonal düzleme getirildi. Koronal ve horizontal düzlemlerde ortogonale getirilen bu görüntüler DICOM formatında dışa nakledilerek Sekazu programına aktarıldı. Ortogonal düzleme getirilen görüntüler üzerinde ölçüm aracı kullanılarak L4 ve L5 vertebraya ait 19 adet parametrenin ölçümleri gerçekleştirildi: 1) Corpus vertebra anterior posterior uzunluğu- transvers (lenCVAP), (2) Corpus vertebra genişliği (lenCVDS), (3) Foramen vertebra anterior posterior uzunluğu (lenFVAP), (4) Foramen vertebra genişliği (lenFVG), (5) Pediculus arcus vertebra dexter genişliği (lenPAVDG), (6) Pediculus arcus vertebra sinister genişliği (lenPAVSG), (7) Processus spinosus uzunluğu transvers (lenPS), (8) Processus transversus sinister uzunluğu (lenPTS), (9) Processus transversus dexter uzunluğu (lenPTD), (10) Processus transversus’lar arası uzaklık (lenPTDS), (11) Processus articularis superior’lar arası uzaklık (lenPASDS), (12) Vertebra anterior posterior uzunluğu (lenVAP), (13) Processus transversus dextra- Processus spinosus- Processus transversus sinistra arasındaki açı (angPTPA), (14) Processus articularis superior dexter- Processus spinosus- Processus articularis superior sinister arası açı (angPASPS), (15) Corpus vertebra superior uzunluğu (lenCVSAP), (16) Corpus vertebra inferior uzunluğu (lenCVIAP), (17) Corpus vertebra anterior yüksekliği (lenCVAY), (18) Corpus vertebra posterior yüksekliği (lenCVPY), (19) Processus spinosus sagittal uzunluğu (lenPSs) ölçümleri yapıldı. Ölçüm sonuçları 13 adet makine öğrenmesi algoritmalarında (ADA Boost Sınıflandırması (ADA), Karar Ağacı (KA), Extra Ağaçlar Sınıflandırması (EAS), Gradyan Güçlendirme Sınıflandırması (GGS) , Gaussian Naive Bayes (GNB), Gauss Süreçleri Sınıflandırması (GSS), K-En Yakın Komşu (K-EYK), Doğrusal Diskriminant Analizi (DDA), Doğrusal Destek Vektör Makinesi (DDVM), Rastgele Orman (RO), Nu Destek Vektör Makinesi (NuDVM), Karesel Diskrimant Analizi (KDA) ve Destek Vektör Makinesi (DVM)) ayrı ayrı hesaplandı. Bulgu olarak tüm parametrelerde 0.65-0.88 arasında doğruluk başarısı elde edildi. En yüksek başarı L5’te 0.88 ile KEYK algoritmasında lenCVAP, lenCVDS, lenPAVDG, lenPAVSG, lenPTS, lenPTD, lenPTDS, lenVAP, lenCVPY parametrelerinde elde edildi.

Bu çalışma sonucunda; L4 ve L5 vertebralardan makine öğrenme algoritmaları kullanılmasıyla yapılan cinsiyet tahmin başarısı 0.65-0.88 olup, üzerinde çalışılan vertebraların cinsiyet tahmini için uygun bir kemik olduğu sonucuna ulaşılmıştır.

ABSTRACT

In this study, the aim was to utilize machine learning algorithms to predict gender based on the scanning of lumbar 4th and 5th vertebral computed tomography (CT) images. CT images of 50 healthy males and 50 healthy females, aged between 25 and 50, who sought medical attention for various health problems at Karabük University Education and Research Hospital, were obtained from the Picture Archiving and Communication System (PACS) archive system. These images were saved in the Digital Imaging and Communications in Medicine (DICOM) format. The saved images were then transferred to a personal workstation (Horos Project, Version 3.0).

Using the personal workstation, the CT images were brought to the orthogonal plane using Curved Multiplanar Reconstruction (3D MPR) technique. The images were orthogonally aligned in the coronal and horizontal planes, and then exported in DICOM format for transfer to the Sekazu program. Measurements of 19 parameters related to the L4 and L5 vertebrae were performed on the images brought to the orthogonal plane using a measurement tool. These parameters included: 1) Anterior-posterior length of the vertebral body - transversal (lenCVAP), 2) Width of the vertebral body (lenCVDS), 3) Anterior-posterior length of the vertebral foramen (lenFVAP), 4) Width of the vertebral foramen (lenFVG), 5) Width of the right pedicle of the vertebral arch (lenPAVDG), 6) Width of the left pedicle of the vertebral arch (lenPAVSG), 7) Transversal length of the spinous process (lenPS), 8) Length of the left transverse process (lenPTS), 9) Length of the right transverse process (lenPTD), 10) Distance between the transverse processes (lenPTDS), 11) Distance between the superior articular processes (lenPASDS), 12) Anterior-posterior length of the vertebra (lenVAP), 13) Angle between the right transverse process - spinous process - left transverse process (angPTPA), 14) Angle between the right superior articular process - spinous process - left superior articular process (angPASPS), 15) Superior length of the vertebral body (lenCVSAP), 16) Inferior length of the vertebral body (lenCVIAP), 17) Anterior height of the vertebral body (lenCVAY), 18) Posterior height of the vertebral body (lenCVPY), and 19) Sagittal length of the spinous process (lenPSs).

The measurement results were separately calculated in 13 machine learning algorithms, namely ADA Boost Classification (ADA), Decision Tree (DT), Extra Trees Classification (ETC), Gradient Boosting Classification (GBC), Gaussian Naive Bayes (GNB), Gaussian Processes Classification (GPC), K-Nearest Neighbors (K-NN), Linear Discriminant Analysis (LDA), Linear Support Vector Machine (LSVM), Random Forest (RF), Nu Support Vector Machine (NuSVM), Quadratic Discriminant Analysis (QDA), and Support Vector Machine (SVM). The findings revealed accuracy ranging from 0.65 to 0.88 for all parameters. The highest success rate of 0.88 was achieved with the K-NN algorithm at L5, utilizing lenCVAP, lenCVDS, lenPAVDG, lenPAVSG, lenPTS, lenPTD, lenPTDS, lenVAP, and lenCVPY parameters.

As a result of this study, it has been demonstrated that the gender prediction accuracy using machine learning algorithms from the L4 and L5 vertebrae ranges from 0.65 to 0.88, indicating that these vertebrae are suitable for gender prediction.