Travma sonrası kemik kırıklarının tespitinde bilgisayarlı görü ve derin öğrenme algoritmaları

1950'li yıllarda makinelerin düşünebileceği ve öğrenebileceği görüşünün ortaya atılmasından hemen sonra yapay zekâ kavramı ortaya çıkmıştır. 21.yy. geldiğimizde GPU ve CPU'ların gelişimi ile birlikte makine öğrenmesi kavramının içerisinde yer alan derin öğrenme insanoğlunun hayatında vazgeçemeyeceği bir noktaya erişmiştir. Gündelik yaşantıda insanoğlu artık ulaşımdan, güvenliğe, üretimden sağlığa kadar birçok alanda bilgisayarlı görüde derin öğrenme algoritmalarının kullanılmasının faydasını görmektedir. Bu çalışmada özellikle yaşlı popülasyonun karşılaştığı en kritik ve ölüm/sakatlanma gibi sonuçların en çok ortaya çıktığı sağlık problemlerinden biri olan femur üst bölge (kalça) kırıkları odağa alınmıştır. Dünya genelinde yapılan araştırmalar yaşlı popülasyonun karşılaştığı en kritik sağlık problemlerinden biri kalça kırıkları olduğunu göstermektedir. Beklenen yaşam süresinin uzamasıyla birlikte yapılan araştırmalar 2040 yılına kadar kalça kırıklarının iki kat artması beklenmektedir. Özellikle ortopedi hekimlerinin çözümledikleri bu kalça kırığı vakalarının, dünya genelinde 1990 yılında 1,26 milyon gerçekleşmesine karşın, 2050 yılına gelindiğinde 4,5 Milyona yükseleceği yapılan araştırmalarca ortaya konulmaktadır. Bütün ortopedik kemik kırıkları değerlendirildiğinde sakat kalma ve örüm oranı en yüksek kırık olduğu görülmektedir. Söz konusu femur üst bölge kalça kırıkları; derin öğrenme ve bilgisayarlı görünün en başarılı algoritmaları arasında yer alan "You Look Only Once - YOLO Darknet v4 algoritması, Faster R-CNN – Inception v2 Algoritması ve SSD - Mobilenet v2 algoritması ile ele alınmıştır. Söz konusu algoritmanın yeniden eğitilmesi adına nüfusu en kalabalık metropollerden biri olan İstanbul'da, kalça kırığı şikâyeti ile ortopedi servisine başvurmuş yaşları 22 ile 105 aralığında bulunan 500 üzeri hastanın X-ray görüntüsünde inceleme yapılmıştır. Bu incelemeler sonunda 410 hastanın X-ray görüntüsü veri çoklandırma tekniklerinden döndürme, ölçeklendirme kırpma ve yeniden boyutlandırma ile 820'ye çıkarılmıştır. Toplamda 1514 ((820-63)x2) adet femur üst bölge görüntüsüne yer verilmiştir. Söz konusu 820 X-ray görüntüsü %80 eğitim ve %20 doğrulama veri seti olarak ayrıştırılmıştır. Daha önce COCO – Common Object in Context veri setinde eğitilmiş olan YOLO Algoritması, dünyanın en güçlüsü olarak kabul edilmiş GPUlarından biri olan Tesla K80 24 GB GDDR5 GPUsu ile Google Colab üzerinden eğitim 5.000 iterasyon süresince eğitilmiştir. Bu eğitim 13 saat 6 dakikada tamamlanmıştır. Daha önce COCO veri setinde eğitilmiş olan Faster R-CNN algoritması ise Core i5-8300H CPU ve NVIDIA GeForce GTX 1050 GPU ya sahip iş istasyonu GPU'su ile eğitimi gerçekleştirilmiş, söz konusu 5000 adımdan oluşan eğitim 31,9 dakika sürmüştür. Yine daha önce COCO veri setinde eğitilmiş olan SSD Algoritması da yine Faster R-CNN Algoritması gibi Core i5-8300H CPU ve NVIDIA GeForce GTX 1050 GPU ya sahip iş istasyonu kullanılmış, toplamda 5000 iterasyona sahip eğitim 55,92 dk. da tamamlanmıştır. Ortopedi uzman doktorları ve asistanlarından oluşan 1. ekip %91,42 doğrulukta, yeniden eğitilerek ortaya çıkarılan YOLO algoritması doğrulukta %90,33 başarı gösterirken, yeniden eğitilen Faster R-CNN algoritması %84,29, pratisyen hekimlerden oluşan 2. grup %81,30 doğrulukta, yeniden eğitilen SSD Algoritması %72,74 oranında doğrulukta, başarı göstermiştir. Doğru pozitif oranı olarak ele alındığında en yüksek performans yine %91,67 ile ortopedi uzman doktorları ve asistanlarının olurken sırası ile Faster R-CNN Algoritması %90,64, YOLO Algoritması %87,67, SSD algoritması %78,32, Pratisyen hekim grubu ise %74,80 oranında başarı göstermiştir. Doğru negatif oranında ise en yüksek başarı oranı %92,98 oranı ile YOLO algoritmasının olurken, %91,17 ile bu sonucu, ortopedi uzmanı ve asistanları izlemiş, %87,80 ile pratisyen hekim grubu takip ederken, Faster R-CNN algoritmasının başarısı %77,94 seviyesinde kalırken, SSD algoritması %67,16 seviyesinde başarı gösterebilmiştir. Bu yapılan çalışma ile Yapay Sinir Ağlarının kullanıldığı algoritmaların kabuklarının dışına çıkarak resimlerdeki; hayvan, bitki ve nesneler dışında konumları ve şekilleri oldukça farklılaşabilen femur üst bölge kırıklarını da tespit edebileceği ve bu alanda ne kadar başarı elde edebileceğini tarafsız bir test veri seti ile ortaya koymuştur. Yapılan çalışma ile hekimlerin gerçekleştireceği teşhislerde kendilerine saniyeler içerisinde destek olacak birden fazla yapı geliştirilmesi de sağlanmıştır.