DETECTION AND CLASSIFICATION OF KIDNEY STONES BASED ON DEEP LEARNING METHODS

Abstract

ABSTRACT

Kidney stones are a prevalent global health issue, leading numerous individuals to seek emergency care due to intense pain. Different imaging methods are employed in the diagnosis of kidney stone disease, requiring specialized expertise for the comprehensive interpretation and diagnosis of these images. Significant advancements in the medical field have been facilitated thanks to the application of machine learning and deep learning methods. This thesis aims to employ deep learning and object detection techniques to detect and classify kidney stones on CT images. The dataset employed in this thesis comprises a total of 1799 coronal CT scans. Among these, 1009 scans originate from individuals without kidney stones, while the remaining are collected from patients who have been diagnosed with kidney stones. This thesis involves implementing three different models as Faster R-CNN, YOLO, and a customized convolutional neural network (CNN). While Faster R-CNN performance was underwhelming, YOLO v5 achieved promising results, surpassing YOLO v7 with a mAP (0.5) of 84.6% and a mAP (0.5:0.95) of 39.0% for kidney stone detection. The customized CNN exhibited remarkable accuracy reaching 99.13%. Indicating its efficacy in classifying kidney stones, the model achieved an accuracy closely comparable to the leading studies in the literature firmly establishing itself as a noteworthy achievement.

ÖZET

Böbrek taşları, küresel bir sağlık sorunu olarak önem taşımakta ve şiddetli ağrı nedeniyle birçok kişinin acil yardım talep etmesine sebep olmaktadır. Böbrek taşı hastalığının teşhisi için farklı görüntüleme teknikleri kullanılmakta, bu görüntülerin detaylı bir şekilde değerlendirilmesi ve doğru teşhis konulabilmesi için uzmanlık gerekmektedir. Tıp alanında, makine öğrenmesi ve derin öğrenme yöntemlerinin entegrasyonu ile önemli ilerlemeler kaydedilmiştir. Bu tez, koronal BT görüntülerde böbrek taşlarını tespit etmek ve sınıflandırmak amacıyla derin öğrenme ve nesne tespiti tekniklerini kullanmayı amaçlamaktadır. Kullanılan veri seti, toplamda 1799 koronal BT görüntüleri içermektedir. Bu görüntülerden 1009’u böbrek taşı bulunmayan bireylerden alınmış olup, geri kalanı ise böbrek taşı teşhisi konmuş hastalardan elde edilmiştir. Bu tezde Faster R-CNN, YOLO ve özelleştirilmiş bir evrişimli sinir ağı (CNN) olmak üzere üç farklı model uygulanmıştır. Faster R-CNN’nin performansı beklenen seviyenin altında kalmıştır. Öte yandan, YOLO v5 umut verici sonuçlar elde etmiş ve özellikle böbrek taşı tespiti konusunda mAP (0,5)

%84,6 ve mAP (0,5:0,95) %39,0 başarı oranlarına ulaşarak YOLO v7’yi geçmiştir. Ayrıca, özelleştirilmiş bir CNN modeli de %99,13 doğrulukla dikkat çekmiştir. Bu model, böbrek taşlarını sınıflandırmadaki etkinliğini literatürdeki önde gelen çalışmalarla kıyaslanabilir bir doğruluk seviyesi elde etmiştir.