Derin öğrenme yöntemleri ile kemik kırıklarının x-ray görüntüleri üzerinden otomatik tespiti

Bu tez, röntgen görüntülerinden kemik kırıklarını tespit etmek için özelleştirilmiş beş gelişmiş evrişimli sinir ağı (CNN) mimarisi üzerine detaylı bir karşılaştırmalı analiz sunmaktadır. Özellikle, bu çalışma Xception-FracAtlas, VGG16-FracAtlas, ResNet50-FracAtlas, InceptionV3-FracAtlas ve EfficientNetv2b2-FracAtlas performanslarını, Kırık ve Kırıksız olarak belirgin şekilde kategorize edilmiş bir veri seti kullanarak incelemektedir. Bu modeller, kesinlik, hatırlatma, F1-puanı, genel doğruluk ve çıkarım süresi gibi metrikler üzerinden değerlendirilerek, tıbbi görüntü analizindeki yetenekleri ve sınırlılıkları hakkında bütünsel bir görünüm sunmaktadır. EfficientNetv2b2-FracAtlas, çoklu metriklerde olağanüstü performans sergileyerek üstün model olarak öne çıkmıştır. Özellikle, %94.91 ile en yüksek doğruluk oranına ve Kırık durumlarını belirlemede güçlü kesinlik gösteren etkileyici bir F1-puanına ulaşmıştır. Ayrıca, 25.83 milisaniye ile en hızlı çıkarım süresini ve %80 eğitim ve %20 test değerleri ile 0.95 en yüksek ROC değerini kaydetmiştir. Bu sonuçlar, klinik ortamlarda kritik bir gereksinim olan gerçek zamanlı, doğru tıbbi teşhis potansiyelini vurgulamaktadır. Diğer modeller de umut verici sonuçlar göstermişken, tüm metriklerde uniform bir performans sergilemediler. Örneğin, VGG16-FracAtlas, Kırıksız durumlar için hatırlatma oranında başarılı olmuş ve hızlı çıkarım süreleri göstermiş fakat benzer doğruluk oranlarına veya F1-puanlarına ulaşamamıştır. Benzer şekilde, Xception-FracAtlas ve ResNet50-FracAtlas belirli metriklerde yetkinlik göstermiş ancak EfficientNetv2b2-FracAtlas tarafından sergilenen her yönüyle etkinliği sağlamada yetersiz kalmışlardır. EfficientNetv2b2-FracAtlas'ı klinik iş akışlarına entegre ederek, sağlık hizmet sağlayıcıları kemik kırığı tespitindeki hızı ve doğruluğu artırabilir, yanlış teşhis oranını azaltabilir ve daha hızlı tedavi tepkilerini kolaylaştırabilir. Ayrıca, bu çalışma CNN mimarilerini daha da optimize etmek için süregelen araştırmaları teşvik etmektedir. Son olarak, bu tez, tıbbi görüntülemede derin öğrenmenin dönüştürücü potansiyelini vurgulamakta ve klinik ortamlarda daha fazla benimsenmesi için zemin hazırlamaktadır. Bu, hasta bakımı ve tedavi sonuçlarında önemli ilerlemeler vaat etmektedir.