X-ray görüntülerinde kemik kırıklarının derin öğrenme yöntemleri ile otomatik tespiti

Bu tezde, X-ray görüntülerinde kemik kırıklarının otomatik olarak tespit edilmesi için öğrenme tabanlı bir yaklaşım önerilmektedir. Kemik kırıklarının radyologlar tarafından değerlendirilmesi zaman alıcı ve insan hatasına açık olduğundan, otomatik kırık tespit sistemleri hem klinik iş yükünü azaltma hem de tanısal doğruluğu artırma açısından önemli bir potansiyel sunmaktadır. Bu amaçla, 717 kırık ve 3366 kırık olmayan X-ray görüntülerinden oluşan erişime açık FracAtlas veri kümesi üzerinde CNN modeller ile güçlendirilmiş Swin dönüştürücü tabanlı hibrit bir sınıflandırma yöntemi önerilmiştir. Çalışmada öncelikle başarısı kanıtlanmış CNN tabanlı modellerin temel performansları karşılaştırılmıştır. Daha sonra bu modellerin kapsamlı bir hiperparametre optimizasyonu yapılarak en yüksek performansın elde edildiği üç model seçilerek bu modellerden elde edilen özellikler Swin dönüştürücü mimarisine entegre edilmiştir. Önerilen yöntemin performansını değerlendirmek ve literatürdeki diğer çalışmalarla doğru bir şekilde karşılaştırma sağlamak için deneysel sonuçlar FracAtlas veri kümesinde paylaşılan test kümesinde elde edilmiştir. FracAtlas orijinal test veri kümesinde deneysel sonuçları elde eden çalışmalara kıyasla önerilen yöntem %94.28 doğruluk değeri ile üstün performans göstermiştir Elde edilen sonuçlar, önerilen hibrit sınıflandırma yaklaşımının CNN tabanlı temel yöntemlere kıyasla kemik kırığı sınıflandırmasında daha üstün performans gösterdiğini ortaya koymuştur.