Derin öğrenme yöntemlerikullanarak kalça displazisinin belirlenmesi

Gelişimsel kalça displazisi (GKD), doğum öncesi, doğum sırası ya da doğum sonrası çeşitli nedenlere bağlı olarak kalça ekleminin normal gelişememesi sonucu oluşan bir hastalıktır. Ülkemizde yapılan araştırmalarda, dislokasyon oranlarının 5-15:1000 gibi yüksek olduğunu görülmüştür. Gelişimsel kalça displazisinin (GKD) tespit etmek için kullanılan en önemli yöntem ise kalça ultrasonografisidir (US). Kalça US görüntüsünün elde edilme aşaması operatöre ve dış etkilere bağlı olduğu için değişkenlik göstermektedir. Bu değişkenlikte yanlış sınıflandırmalara yol açabilmektedir. Gerçekleştirilen tez çalışması ile bu değişkenliği ortadan kaldırmak ve hataları en aza indirmek için yapay zekâ tabanlı bir sistem geliştirilmiştir. Geliştirilen sistem 2 aşamalı bir derin öğrenme modelini kapsamaktadır. İlk aşamada U-NET mimarisi ikinci aşamada da Maske ile bölge tabanlı evrişimsel sinir ağı mimarisi kullanılmaktadır. İlk olarak kalça US görüntüsü doğru alınıp alınmadığı yani analiz edilebilirliği kontrol edilmektedir. Belirlenmesi gereken 3 temel anatomik yapının (iskium, ilium, labrum) tespit edilip edilmediği kontrol edilir. Daha sonra iliak kemiğin temel çizgiye paralelliği kontrol edilmektedir. Eğer ilium temel çizgiye paralelse ve tüm anatomik yapılar tespit edilmişse, US görüntüsü analiz edilebilir olarak sınıflandırılmaktadır. Analiz edilebilir olarak sınıflandırılan bu US görüntüsü üzerinde alfa ve beta açıları hesaplanarak gelişimsel kalça displazisi sınıflandırılmaktadır. Tez çalışmasında geliştirilen sistemin, gelişimsel kalça displazisi tanısında operatörler arası değişkenliği ortadan kaldırarak, yapılacak teşhisin doğruluğunu arttıracağı ve böylelikle uzmanlara yardımcı olacağı düşünülmektedir