Deep learning ensembles in lumbar spine mrı dıagnosis

ArkaPlan: Lumbar omurga anatomisinin segmentasyonu, oldukça zaman alan ve özel beceriler gerektiren zorlu bir görev olabilir. Bu süreç, lumbar bölgesindeki segmentlenmiş parçaların sınıflandırılarak discin normal mi yoksa anormal mi olduğunun belirlenmesini içerir. Yöntem: Bu çalışmada, beş farklı UNet model varyantını (Unet, ResUnet, SegUnet, VGG16UNet ve VGG19Unet) içeren bir CNN topluluk (ensemble) yöntemi öneriyoruz ve bu yöntemi segmentasyon için TransUNet ile karşılaştırıyoruz. Yöntem, çıkarılan maskeleri karşılık gelen temel görüntülerle eşleştiren görüntü bindirme (image overlay) tekniğini kullanmaktadır. Ardından bu maskeler, topluluk modelleri için temel olarak önceden eğitilmiş ResNet101 mimarisi kullanılarak sınıflandırılmakta ve disclerin normal ya da anormal olup olmadığı belirlenmektedir. Ayrıca bu sonuçlar, önceden eğitilmiş Vision Transformer ile de karşılaştırılmıştır. Son olarak, CNN-Transformer topluluğumuz CNN topluluk yöntemleri ile karşılaştırılmıştır. Bu çalışmada iki veri seti kullanılmış olsa da, ana veri seti 515 hastadan alınan 1525 kesitten oluşmaktadır. Sonuçlar: Önerilen topluluk yöntemi, segmentasyon görevinde 0.9988'lik Intersection over Union (IoU) ve 0.9870'lik Dice Katsayısı elde ederek TransUNet modelinden daha iyi performans göstermiştir. Ancak, sınıflandırma görevinde Vision Transformer daha yüksek başarı sağlamış; anormal ve normal tahminler için sırasıyla 0.9867 ve 0.9578 F1 skoru elde etmiştir. Görüntü bindirme tekniği, modelin tahmin doğruluğunu %80'den %92'ye yükselterek önemli bir iyileşme sağlamıştır; Vision Transformer'ın doğruluk oranı ise %96'dır. Sonuç: Bu çalışmada, farklı UNet varyantlarını tek bir yaklaşıma entegre eden bir topluluk yöntemi sunulmuş ve bu yöntem transformer modelleriyle karşılaştırılmıştır. CNN-Transformer topluluğu, yalnızca CNN içeren bir topluluktan daha iyi performans göstermiştir. Anahtar Kelimeler: Segmentasyon, Sınıflandırma, Topluluk modeli, Lumbal Omurga, Bel Ağrısı.