Temporomandibular eklem bozukluklarının belirlenmesinde sinyal işleme ve yapay zeka tekniklerinin kullanılması

Temporomandibular Eklem (TME) alt çene kemiği (mandibula) kondil ile temporal kemikteki mandibularfossa arasında meydana gelen bir eklemdir. TME çok karmaşık hareketler yapabilme kabiliyetine sahiptir. Bu eklemde meydana gelen her türlü bozukluğa Temporomandibular Bozukluk (TMB) denir. TMB oldukça yaygın bir rahatsızlık olup genel nüfusun %75 inde görülmektedir. TMB teşhisinin klasik yöntemlerinden biri hekimin hasta bireyin klinik muayenesi esnasında eklem seslerinin steteskop vasıtasıyla dinlemesidir. Bu sesler; krepitasyon, kliking ve popping olarak üç sınıfa ayrılmıştır. Bu çalışmada yapay zekâ yöntemleriyle TME seslerini işleyerek sağlıklı ve hasta olarak sınıflandıran bir yöntem geliştirilmiştir. İlk aşamada seslerin kaydı için girişimsel olmayan (non-invasive) bir cihaz tasarlanmış ve hasta ve sağlıklı bireylere ait sesler kaydedilmiştir. Seslerin gürültüden arındırılması ve bilgi içermeyen bölümlerin atılması için ses verilerine sayısal sinyal işleme uygulanmış ve daha sonra her bir veriye ait 100 adet frekans tabanlı özellik çıkarımı yapılmıştır. Bu veriler Yapay Sinir Ağı (YSA) ile sınıflandırılmış ve %78 civarında başarı oranı elde edilmiştir. İkinci aşamada ses veri dizisinden istatiksel veriler çıkartılmıştır. Bu özellikler kullanılarak YSA ile sınıflandırma yapılmış ve %87-89 civarında ortalama bir başarı elde edilmiştir. Üçüncü aşamada ise derin öğrenme yöntemi kullanılarak sınıflandırma yapılmıştır. Seçilen verilere bir bant geçiren filtre uygulanmış, herhangi bir bilgi taşımayan yüksek frekans bant aralıkları örnekleme frekansı düşürülerek atılmıştır. Derin öğrenme ağlarının resim sınıflamadaki başarısı bilindiğinden işlenen veriler kısa zamanlı Fourier dönüşümü tabanlı spektrogram resim verilerine çevrilmiştir. Bu resim verilerine derin öğrenme algoritması uygulanmıştır. Parametre ve ağ yapısı ayarları yapılarak ağın tutarlılığı arttırılmıştır. Derin öğrenme ağının sınıflandırma başarısı tutarlı olarak %90'nın üzerine çıkarılmıştır. Sonuçlar karşılaştırıldığında derin öğrenmeye dayalı sınıflandırma yönteminin önceki iki yönteme göre daha başarılı olduğu görülmüştür.