Kalça displazisinin otomatik tespiti için u-net, alexnet ve densenet tabanlı hibrit bir derin öğrenme yaklaşımı

Amaç: Gelişimsel Kalça Displazisi (GKD), infantil dönemde erken teşhis edilmesi gereken önemli bir ortopedik bozukluktur. Erken tanı konulmadığı durumlarda, ilerleyen yaşlarda ciddi motor fonksiyon kayıpları ve cerrahi müdahale gerektiren komplikasyonlar ortaya çıkabilmektedir. Mevcut tanı süreçleri çoğunlukla klinik muayene ve ultrasonografi temellidir. Ancak bu yöntemlerin kullanıcı bağımlı olması, yorum farklılıklarına açık yapısı ve her sağlık merkezinde erişilebilir olmaması, X-ray görüntüleri üzerinden otomatik ve yüksek doğrulukta tanı sağlayabilecek yapay zekâ temelli sistemlerin geliştirilmesini zorunlu kılmaktadır.Mevcut literatürde, röntgen ayrıntıları ile GKD kayıtları üzerinde yapılan sayıca sınırlı olduğu ve bu şekilde kullanılan modellerin çoğunun düşük doğruluk oranlarına sahip olduğu görülmektedir. Ayrıca yapılan analizlerin derin öğrenme yöntemlerinin çoğunun tekil olarak faaliyet gösterdiği ve bu şekilde üretimin sınırlandırıldığı anlaşılmaktadır. Bu programlama temel amacı, Gelişimsel Kalça Displazisini kullanarak röntgen görüntülerini yüksek doğruluk oranı ile tespit edilebilir hibrit bir derin transfer öğrenme modeli geliştirmektir. Bu model ile tedavi görüntü analizi alanında yeni bir katkı sağlanması ve DDH tanısında daha güvenilir, hızlı ve doğru sonuçların elde edilmesi hedeflenmiştir. Gereç ve Yöntem: Tez çalışmasında üç aşamalı bir hibrit derin öğrenme mimarisi geliştirilmiştir. Modelin ilk aşamasında, görüntülerden düşük seviyeli özelliklerin segmentasyonu amacıyla U-Net mimarisi kullanılmıştır. U-Net, medikal görüntü işleme alanında sıklıkla kullanılan, özellikle segmentasyon görevlerinde başarılı sonuçlar veren bir yapay sinir ağı mimarisidir. Bu aşamada çıkarılan özellik haritası, daha sonra sınıflandırma için kullanılmak üzere sonraki aşamalara aktarılmıştır. İkinci aşamada, daha karmaşık ve soyut özelliklerin öğrenilmesi amacıyla DenseNet ve AlexNet mimarileri birleştirilmiştir. DenseNet'in katmanlar arası yoğun bağlantı özelliği, bilgi kaybını azaltarak daha verimli bir öğrenme sağlamaktadır. AlexNet ise özellikle düşük çözünürlüklü görüntülerde sınıflandırma başarısıyla bilinen bir mimaridir. Bu iki modelin birleştirilmesi ile hem derin hem de kompakt bir özellik çıkarımı gerçekleştirilmiş ve birinci aşamadan gelen segmentasyon haritası bu yapıya beslenmiştir. Son aşamada ise U-Net ve DenseNet-AlexNet birleşiminden elde edilen çıktılar birleştirilerek sınıflandırma işlemi gerçekleştirilmiştir. Model, görüntüleri "Displazi" ve "Normal" olmak üzere iki sınıfa ayırmaktadır. Modelin eğitimi için Mohammad Fraiwan ve arkadaşlarının "Detection of developmental dysplasia of the hip in X-ray images using deep transfer learning" başlıklı çalışmasında kullanılan açık erişimli veri seti kullanılmıştır. Bu veri seti, 4,5 ile 7 ay arasındaki yaş grubunda yer alan 354 bebeğe (120 DDH, 234 normal) ait pelvik anteroposterior X-ray görüntülerinden oluşmaktadır.Modelin test sürecinde performansını değerlendirmek amacıyla, Kaggle platformunda açık erişimli olarak paylaşılan ve toplamda 850 X-ışını görüntüsünden oluşan ikinci bir veri seti daha kullanılmıştır. Veri ön işleme aşamasında ise tüm görüntüler standart boyutlara getirilmiş ve pikseller, modelin öğrenme sürecini optimize etmek amacıyla normalize edilmiştir. Eğitim sürecinde Adam optimizasyon algoritması tercih edilmiş ve modelin genellenebilirliğini artırmak amacıyla 5 katlı çapraz doğrulama (K-Fold Cross Validation) yöntemi kullanılmıştır. Model performansı doğruluk (accuracy), hassasiyet (precision), özgüllük (specificity) ve F1 skoru gibi metriklerle değerlendirilmiştir. Bulgular: Geliştirilen hibrit modelin eğitim ve test sonuçları incelendiğinde, modelin yüksek doğruluk oranına ulaştığı görülmüştür. Eğitim süreci sonunda modelin genel doğruluk oranı %97 olarak hesaplanmıştır. Bunun yanı sıra hassasiyet ve özgüllük gibi diğer performans metriklerinde de başarılı sonuçlar elde edilmiştir. Özellikle U-Net mimarisiyle yapılan segmentasyonun ardından DenseNet ve AlexNet mimarilerinin birleştirilerek kullanılması, modelin öğrenme kapasitesini artırmış ve sınıflandırma performansını olumlu yönde etkilemiştir. Modelin farklı veri setleri üzerinde tutarlı ve başarılı sonuçlar vermesi, modelin genellenebilirliğinin yüksek olduğunu ve gerçek dünyada uygulanabilirliğe uygun olduğunu göstermektedir. Sonuç: Bu çalışma, röntgen görüntülerinden Gelişimsel Kalça Displazisi tespiti için hibrit bir derin öğrenme yaklaşımı sunarak mevcut literatüre önemli bir katkı sağlamaktadır. U-Net, DenseNet ve AlexNet mimarilerinin birleştirilmesiyle elde edilen üç aşamalı hibrit model, yüksek doğruluk ve güvenilirlik sunarak erken tanı sürecinde hekimlere yardımcı olabilecek bir karar destek sistemi potansiyeli taşımaktadır. Elde edilen bulgular, bu modelin sadece teorik anlamda değil, aynı zamanda klinik ortamlarda da uygulanabilir olduğunu göstermektedir. Gelecekte yapılacak çalışmalarla daha büyük veri setlerinin kullanılması, farklı yaş gruplarının ve görüntü kaynaklarının dahil edilmesiyle modelin performansı daha da artırılabilir. Ayrıca, modelin gerçek zamanlı çalışan bir yazılım ya da mobil uygulamaya entegre edilerek klinik uygulamalarda doğrudan kullanımı mümkün hale gelebilir. Böylece, tanı sürecinde zaman kazandıran ve insan hatasını minimize eden bir araç olarak sağlık sektöründe önemli bir rol üstlenebilir.