BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİNDEN OS HYOIDEUM’UN EFFICIENTNET DERİN ÖĞRENME MODELİ KULLANILARAK CİNSİYET TAHMİNİ

Abstract

ÖZET

Os hyoideum viscerocranium'un bir parçası olup iskelet sistemindeki diğer kemiklerden farklı olarak yalnızca kaslar ve bağlarla eklemlenir. Bu kemik yutma, konuşma, regürjitasyonun önlenmesi ve hava yolu bakımı fonksiyonlarında önemlidir. Adli ve biyoarkeolojik bilimlerde iskeletten kimlik tespiti için cinsiyeti bilmek anahtar faktördür. Bu çalışmada, EfficientNet derin öğrenme mimarisi kullanılarak os hyoideum’dan cinsiyet tahmini yapılması amaçlandı. Çalışmada, 2020-2023 yılları arasında İzmir Bakırçay Üniversitesi Çiğli Eğitim ve Araştırma Hastanesi'nde Bilgisayarlı Tomografi (BT) Anjiyografi yapılan 15-95 yaş arası bireylerin görüntüleri retrospektif olarak incelendi. 500 kadın ve 500 erkek bireye ait 1000 görüntüleri açmak için RadiAnt DICOM Viewer (2023.1) programı kullanıldı. Görüntüler sadece os hyoideum kalacak şekilde temizlendi. Bir os hyoideum görüntüsünden anterior, posterior, dexter, sinister, superior, inferior ve superodexter olmak üzere toplam 7 yönden görüntü elde edildi. Böylece, kadınlar için 3500 ve erkekler için 3500 olmak üzere toplam 7000 görüntü elde edildi. Elde edilen görüntüler veri zenginleştirme yöntemi ile 10000'e tamamlandı. Veri zenginleştirme için yatay öteleme, %20 yükseklik kaydırma, %20 genişlik kaydırma, %20 döndürme ve yakınlaştırma yapıldı. Veri seti %80 eğitim seti, %10 doğrulama ve %10 test seti olarak bölündü. Derin öğrenme modelleri MobileNetV2, ResNet50, EfficientNet B0 ve EfficientNet V2B0 ile karşılaştırıldı. Cinsiyet tahminindeki doğruluk oranları MobileNetV2’de %91,7, ResNet50’de %92,7, EfficientNet B0’da %94,3 ve EfficientNet V2B0’da %95 olduğu görüldü. EfficientNet V2B0 modelinin erkeklerde özgüllüğü 0,94, duyarlılığı 0,95 ve F1 skoru 0,95; kadınlarda ise özgüllüğü 0,95, duyarlılığı 0,94 ve F1 skoru 0,94'tür. Os hyoideum’dan MobileNetV2, ResNet50, EfficientNet B0 ve EfficientNet V2B0 derin öğrenme yöntemleri kullanılarak yüksek oranda cinsiyet tahmini yapılmıştır. Çalışmada kullanılan veri sayısı arttıkça daha yüksek oranda başarı elde edildiği görülmüştür. Bu çalışma, güncel teknoloji kullanımını sağlayarak kullanılan yöntem ile öznelliği azaltarak cinsiyet tahmini yapan uzmanlara destek olacaktır.

ABSTRACT

The hyoid bone is part of the viscerocranium and, unlike other bones in the skeletal system, it articulates only with muscles and ligaments. This bone is important in the functions of swallowing, speech, prevention of regurgitation, and airway maintenance. In forensic and bioarchaeological sciences, knowing the sex is a key factor in skeletal identification. In this study, aimed to estimate sex from hyoid bone utilizing the EfficientNet convolutional neural network architecture. In the study, images of individuals aged 15-95 who underwent Computed Tomography (CT) Angiography at İzmir Bakırçay University Çiğli Training and Research Hospital between 2020 and 2023 were retrospectively examined. RadiAnt DICOM Viewer (2023.1) was used to open images of 1000 individuals (500 Female and 500 Male).

In the opened images, it was cleaned so that only the hyoid bone remained. The opened images were purified so that only the hyoid bone remained. From a hyoid bone, images were obtained from a total of 7 directions: front, back, up, down, right, left, and right-front. Thus, 3500 images were obtained for females and 3500 images for males, making a total of 7000 images. The images obtained were completed to 10000 with the data enrichment method. Horizontal translation, 20% height shift, 20% width shift, 20% rotation, and zooming were performed for data enrichment. The data set was divided into 10% test set, 10% validation and 80% training set. It was compared with deep learning models MobileNetV2, ResNet50, EfficientNet B0, and EfficientNet V2B0. Accuracy rates for sex estimation were 91.7% in MobileNetV2, 92.7% in ResNet50, 94.3% in EfficientNet B0 and 95% when using EfficientNet V2B0. The specificity of EfficientNet V2B0 model in males, specificity was 0.94, sensitivity was 0.95, and F1 score was 0.95; in females was 0.95, sensitivity was 0.94, F1 score was 0.94. In the hyoid bone MobileNetV2, ResNet50, EfficientNet B0 and EfficientNet V2B0 deep learning methods were used to estimate sex at a high rate. It was observed that a higher rate of success was achieved with the higher number of data used in the study. This study will support experts who make, sex estimation by reducing subjectivity with the method used by ensuring the use of up-to-date technology.