Omurga, günlük hareketler ve duruş sırasında baş ve gövdeyi destekleyen, yerçekiminin stresine uyum sağlamak için mekanik olarak dengede kalma görevini yürüten, omuriliği, sinirleri ve vertebral arterleri çevreleyen kaslar tarafından kontrol edilen çok eklemli bir sistemdir. Sağlıklı bir bireyin omurgası sagital düzlemden bakıldığında S formunda, koronal düzlemden bakıldığında ise düz bir formda olmalıdır. Omurganın tanımlanmış hizalamasının normal sınırları dışında olduğu durumlar ve omurganın olması gereken anatomik duruşunun bozulması sonucunda meydana gelen anormal değişimler omurga deformiteleri olarak adlandırılmaktadır. Sagital planda meydana gelen anormal değişimler spondilolistezis, kifoz ve lordoz olarak ayrılırken koronal plandaki anormal eğrilikler skolyoz olarak adlandırılmaktadır. Skolyoz, koronal düzlemde omurganın sola, sağa ya da hem sola hem sağa en az 10° Cobb açısı yapması olarak, spondilolistezis ise omurgayı oluşturan omurların komşu omur üzerinden sagital planda kayması olarak tanımlanır. Deformiteler sonucunda omurgada meydana gelen denge kaybı kişinin, biyomekanik açıdan dezavantajlı bir duruma düşmesine neden olur. Ayakta dik dururken, yürürken, günlük yaşam faaliyetleri sırasında hastanın fazladan enerji harcaması, sırt kaslarının aşırı gerilmesi, solunum fonksiyonlarında azalma ve yaşam kalitesinin düşmesi deformitelerin neden olduğu biyomekanik dengesizliğin sonuçlarındandır. Omurga deformitelerinin erken teşhisi, hastalığın kontrol altına alınması, doğru tedaviye zamanında başlanması ve hastanın yaşam kalitesi açısından önemlidir. Omurga deformiteleri, günümüzde uzman doktorların tıbbi görüntüler üzerinden yaptığı manuel ölçümlerle tespit edilmektedir. Manuel ölçümler subjektif olmakla birlikte hatalara açık ve zaman alıcıdır. Bu çalışmada, omurga deformitelerinin daha hızlı ve doğru tespit edilmesi için derin öğrenme tabanlı otomatik bir teşhis yöntemi sunulmaktadır. Gelişen teknoloji ile hayatımıza giren yapay zeka, ilk olarak 1950 yılında tanıtılmış olmasına rağmen tıp dünyasında, 2000'li yılların başlarında derin öğrenme tekniklerinin geliştirilmesiyle yer edinmiştir. Yapay zeka, tıpta hastalıkların teşhisi, tıbbi görüntülerin analizi, tedavi süreçlerinin planlanması ve sonuçların tahmini, hasta verilerinin analizi alanlarında kullanılmakta ve her geçen gün kapsamını genişletmektedir. X-ışını görüntü işleme, özellik çıkarımı ve deformite tespiti gibi işlemler için derin öğrenmeye dayalı evrişimli sinir ağları mimarileri yaygın olarak kullanılmakta ve olumlu sonuçlar vermektedir. Bu çalışmada, transfer öğrenimi yaklaşımıyla GoogleNet ve ResNet mimarilerinin X-ışını röntgen görüntülerini sınıflandırma performansları doğruluk, kesinlik, F1 skoru, özgüllük ve hassasiyet açısından karşılaştırılmıştır. Eğitim için gerekli kütüphane ve modüller içe aktarıldıktan sonra veri setindeki görüntüler kendi sınıf etiketleriyle yüklenmiştir ve yeniden boyutlandırılmıştır. Veri setindeki görüntüler %80 eğitim ve %20 test olmak üzere iki gruba ayrılmış ve GoogleNet modeli InceptionV3, ResNet modeli de ResNet50 mimarisi kullanılarak oluşturulmuştur. ImageNet veri kümesindeki önceden eğitilmiş ağırlıklarla başlayan model, eğitim ve doğrulama için gerekli katmanlar eklenerek derlenmiş ve eğitilmiştir. Eğitim sırasında doğruluk ve kayıp değerleri takip edilerek model kaydedilmiş ve eğitim sürecinin grafiği çizilerek ve sınıflandırma raporu oluşturularak modellerin performansı değerlendirilmiştir. Yapılan çalışmalar sonucunda ResNet mimarisi doğruluk, duyarlılık, özgüllük, F1 skoru ve kesinlik metrikleri açısından GoogleNet'e karşı üstünlük kurmuş olup yüksek başarı göstermiştir. GoogleNet ise eğitim ve test süreleriyle ResNet'ten daha hızlı işlem yaptığını ve işlem hızı açısından ResNet'e göre daha üstün performansa sahip olduğunu gösterdiği görülmüştür.
As spinal deformities reach advanced levels, they reduce the patient's quality of life and make diagnosis and treatment difficult. Therefore, early diagnosis is very important in order to stop the progression of the deformity and start the treatment process on time. The diagnostic procedure for deformities is based on manual measurements made by specialist doctors on medical images. Manual measurements are error-prone, time-consuming and they rely on subjective opinion. In this study, a deep learning-based automatic diagnosis method is presented to eliminate these disadvantages in the diagnosis of spinal deformities. In the light of literature research, it has been observed that deep learning-based convolutional neural networks produce high-accuracy results in image processing and segmentation processes. In this study, the X-ray image classification performances of ResNet and GoogleNet architectures, which are convolutional neural network architectures reported to have high accuracy and performance, will be compared in terms of accuracy, sensitivity, precision, F1 score, specificity, training and testing times. As a result of the experiments conducted within the scope of this study, it was seen that ResNet showed superior performance than GoogleNet in terms of accuracy, precision, F1 score, specificity and sensitivity, and when a comparison was made in terms of training and testing times, it was seen that GoogleNet processed faster than ResNet.
Except where otherwise noted, this item's license is described as http://creativecommons.org/licenses/by/4.0/
