Derin öğrenme kullanılarak çocukların el–bilek radyoloji görüntülerinden kemik yaşı tahmini

Kemik yaşı tahmini, çocuk gelişiminde endokrin ve metabolik bozuklukları teşhis etmede, adli tıp vakalarında, kişilerin kimliklerinde beyan edilen yaşlarının doğruluğunun tescil edilmesinde kullanılmaktadır. Bu tez çalışmasında, kız ve erkek çocuklara ait el-bilek radyoloji görüntülerinden kemik yaşı tespitine yönelik derin öğrenme tabanlı bir uygulama gerçekleştirilmiştir. Kemik yaşı tespiti, uzman hekimlerin el-bilek radyoloji görüntülerini göz yordamı ile inceleyerek yapılmaktadır. İyi eğitilmiş bir derin öğrenme modeli, insan gözünün görmekte veya yorumlamakta zorlandığı küçük ayrıntıları etkili bir tahminleme/sınıflandırma için kullanılabilmektedir. Bu çalışmada, halka açık RSNA veri seti kullanılmıştır. Çalışma için 1-7 yaş aralığındaki 1206 adet kız ve 1115 adet erkek olmak üzere toplam 2321 adet X-ray el-bilek görüntüsü incelenmiştir. Görüntüler ResNet, DenseNet ve EfficientNet olmak üzere üç farklı derin öğrenme mimarisi ile analiz edilmiştir. Her bir görüntünün üç derin öğrenme modeli ile özellik vektörleri elde edilmiş ve bu vektörler destek vektör makineleri ile sınıflandırılmıştır. Görüntüler dört farklı şekilde incelenmiştir. İlk incelemede ham görüntüler kullanılmıştır. İkincisinde görüntüdeki istenmeyen kısımlar çıkarılmıştır. Üçüncü yöntemde ise yaş grupları arasındaki veri dengesizliğinden dolayı veri artırma uygulanmıştır. Dördüncü yöntemde ise ön işlem uygulanan görüntülere kenar çıkarma yöntemi uygulanmıştır. Ön işlem uygulanan görüntülerin tahmin doğruluğu, ham görüntülere göre kızlarda yaklaşık %8, erkelerde ise yaklaşık %16 daha iyi bulunmuştur. Aynı şekilde veri artırma ile dengeli bir veri sayısına ulaşıldığında ise ön işlem uygulanan görüntülere göre kızlarda yaklaşık %21, erkeklerde ise yaklaşık %20'lik bir doğruluk artışı elde edilmiştir. Kenar çıkarma algoritması uygulandıktan sonra yapılan tahminleme de ise başarım veri artırma yönteminden düşük çıkmıştır. Her üç derin öğrenme modelinde farklı yaş ve cinsiyet gruplarında birbirine yakın tahminleme değerlerine ulaşılmıştır. Her üç modelin görüntülerden etkili özellik çıkarımı yapabildiği ve bunun sonucunda da başarılı bir tahminleme doğruluğuna ulaştıkları görülmüştür. Sonuç olarak el-bilek X-ray görüntülerine ön işlem uygulanması, veri setinin büyük olması ve dengeli bir veri setinin oluşturulması, evrişim sinir ağlarının başarılı tahminleme sonucu üretebilmesine büyük bir katkı sağladığı görülmüştür.