Derin öğrenme yaklaşımları kullanılarak kemik dokusu üzerindeki enkondromun tespiti ve segmentasyonu
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Karabük Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışmada, derin öğrenme yaklaşımları kullanılarak kemik dokusu üzerinde asemptomatik karakterli bir lezyon olan enkondromun tespiti ve direk grafiler üzerinde lezyon bölgesinin işaretlenmesi sağlanmıştır. Enkondrom hasta şikayetine sebebiyet vermeyen ancak osteosarcomdan sonra en sık görülen ikinci iyi huylu kemik tümörüdür. Direk grafiler üzerinden enkondrom tanısı ve alanın işaretlenmesi ile semptomatik olmayan bu lezyonun tespiti saha uzmanlarına öncü bilgi sağlamayı hedeflemektedir. Ayrıca rutin taramalarda tetkik sağlama ve bilgilendirme işlevi sunmaktadır. Direk grafiler hasta şikayetine bağlı olarak eklem noktaları kemik bütünlüğü gibi tetkiklerde başvurulan ilk tıbbi görüntüleme yöntemidir. Bu rutin kontrol esnasında verilen tespit bilgisi, grafiyi inceleyen uzmanın insan faktörlerinden bağımsız olarak yüksek doğruluk ve hatasız bir şekilde yapılabilmesi amacıyla görüntü işleme teknikleri sonrasında büyük gerçek veriden öğrenme sağlayacak bir derin öğrenme modeli uygulanmış geliştirilmiş ve başarısı yükseltilmiştir.
Çalışmada kullanılan tüm görüntüler gerekli etik kurul izinlerinin alınmasına müteakip arşiv taraması yöntemi ile toplanmıştır. Ondokuz Mayıs Üniversitesi ve Samsun Üniversitesi Eğitim ve Araştırma hastanelerinden elde edilen gerçek hasta verileri anonimleştirilerek uzman hekimler tarafından lezyonların etiketlenmesi işlemi tamamlanmıştır. Sırasıyla görüntüler üzerinde geleneksel görüntü işleme yöntemleri ile kenar tespiti ve farklı filtreler uygulanmış, Mask R-CNN ile kemik dokusu maskelenmiş ve görüntülerin Detectron mimarisi ile eğitim işlemi tamamlanmıştır. Görüntüler üzerinde yapılan öncü işlemler çeşitlendirilerek ve geliştirilerek derin öğrenme modelinin daha hızlı öğrenme, çıkarım yapabilmesi için pratik bir filtre geliştirilmiştir. Tüm bu işlemler ve toplanan 1173 farklı hastaya ait 1645 görüntü ile derin öğrenme mimarisi %98,99 doğrulukla lezyon tespitini sağlamıştır. Ön işlemler derin öğrenme modelinin eğitim süresini ve çıkarım süresini kısaltmıştır. Deneysel çalışmalar sonucunda elde edilen metrikler şekil, grafik ve çizelgeler ile analiz edilmiş ve elde edilen sonuçlar tartışılmıştır.
This study used deep learning approaches to detect enchondroma, an asymptomatic lesion on bone tissue, and mark the lesion site on direct radiographs. Enchondroma is the second most common benign bone tumor after osteosarcoma. Detecting enchondroma on direct radiographs and detecting this non-symptomatic lesion by marking the area aims to provide leading information to field specialists. It also provides examination and information functions in routine screening. Direct radiographs are the first medical imaging method to examine joint points and bone integrity, depending on patient complaints. In order to ensure that the detection information given during this routine control can be made with high accuracy and error-free, independent of the human factors of the specialist examining the radiograph. This deep learning model will provide learning from large real data after image processing techniques have been applied and its success has improved.
All images used in the study were collected using archive scanning after obtaining permission from the ethics committee. Actual patient data obtained from Ondokuz Mayıs University and Samsun University Training and Research Hospitals were anonymized, and specialist physicians completed the labeling of lesions. Edge detection and filters were applied to the images with traditional image processing methods, bone tissue was masked with Mask R-CNN, and the training process was completed with Detectron architecture. A practical filter has been developed to enable the deep learning model to learn and infer faster by diversifying and improving the pioneering operations performed on the images. With all these processes and 1645 images of 1173 patients, the deep learning architecture provided lesion detection with 98.99% accuracy. The preprocessing reduced the deep learning model's training time and inference time. The metrics obtained from the experimental studies are analyzed with figures, graphs, and charts, and the results obtained are discussed.
Açıklama
Anahtar Kelimeler
Derin öğrenme, Detectron, Bilgisayar Destekli Teşhis, X-ray, Enkondrom, Kemik., Deep learning, Computer-Aided Diagnosis, Enchondroma, Bone.