Femur kemik kırıklarının bilgisayar destekli sınıflandırılması

Abstract

Kemik kırıklarının türünün belirlenmesi veya sınıflandırılması tedaviye karar verme sürecinin en önemli aşamasıdır. Günlük hayatta birçok farklı kırık vakası görülebilmekte ve her bir kırık çeşidi kendine has ayrı bir tedavi gerektirebilmektedir. En çok bilinen kırk sınıflandırma metotların başında gelen AO Müller yöntemine göre insan vücudunda sadece uzun kemik kırığının 117 farklı türü görülebilmektedir. Tüm bu kırık çeşitlerini ve tedavi yöntemlerini bir doktorun ezbere bilebilmesi oldukça zor ve külfetli bir prosedürdür. Bu nedenle, hekimlere gerek teşhis gerekse tedavi konusunda yardımcı olabilecek destek sistemlere ihtiyaç duyulmaktadır. Bu çalışmada, belirtilen ihtiyaç doğrultusunda, FEmur kemiği Dİyafiz bölgesi Kırıklarını Sınıflandırıcı sistem (FEDİKS) tasarlanmıştır. FEDİKS, farklı işlem basamaklarından oluşan ve tam-otomatik bir bilgisayar destekli teşhis sistemidir. Önerilen sistemde, röntgen görüntülerindeki arka plan bilgilerini gidermek ve görüntüleri ikili formata çevirmek için ilk olarak Niblack yerel eşikleme metodu kullanılmıştır. Gerçekleştirilen çeşitli deney sonuçlarına göre, Niblack diğer bilinen bölütleme yöntemlerine göre daha fazla gürültü oluştursa da kırık bölgesinde daha az bilgi kaybına yol açmaktadır. Bu sebeple, FEDİKS yönteminde Niblack metodu tercih edilmiştir. Bundan sonraki işlem basamağında bölütleme işleminde oluşan gürültüleri yok etmek için yeni bir Destek Vektör Makinası-tabanlı hassas gürültü giderme (DETHAG) tekniği önerilmiştir. DETHAG ile kemik parçaları ile gürültüler birbirlerinden hassas bir şekilde ayrıştırılmıştır. Bir diğer işlem basamağında ise kırıkları sınıflandırabilmek için kırık parça sayısı (KPS), kırık ucu eğimi (KUE), kemik bütünlüğü göstergesi (KBG) ve kırık bölge haritası (KBH) adında birçok yeni özellik çıkarım yöntemi geliştirilmiştir. Son işlem basamağında da kırık türlerini sınıflandırabilmek için Çoklu Sınıflı Destek Vektör Makinası kullanılmıştır. Önerilen FEDİKS yönteminin başarım değerlendirmesini gerçekleştirmek üzere farklı sınıflardaki kırıkları içeren 196 adet röntgen görüntüsü kullanılmıştır. 10-katlı çapraz doğrulama yöntemine göre FEDİKS, AO-32 türündeki kırık vakalarını %89,87 oranında bir başarı ile sınıflandırabilmiştir. Bunun yanında, FEDİKS'in klinik ortamdaki kullanılabilirliği test etmek için sınıflandırma başarımı iki hekim ile kıyaslanmış ve başarısının hekimlerden düşük olmadığı gözlemlenmiştir. Bu sebeple, FEDİKS'in, Femur kırıklarının tespiti ve sınıflandırılmasında hekimlerin karar sürecine yardımcı olabilecek destekleyici bir araç olarak kullanılabileceği görülmüştür.

Classification or determining the types of fractured bones is the most important step of fracture treatment. Different fracture cases may be observed in daily life and each of them may require a specific treatment. According to the AO Müller [1] method, prominent of those most known fracture classifications, different kinds of 117 long- bone fractures in the human body may be seen. It is a difficult and burdensome procedure for any physician to know all those kinds of fracture types and treatments by heart. For this reason, decision support systems which will lessen the burden of work are needed to help the diagnosis and the treatment. Based on this need, in this thesis, we propose an auxiliary tool called a DIaphyseal Femur FRActure Classifier SysTem (DIFFRACT). DIFFRACT is a fully-automated computer aided diagnosis system, which is composed of different design steps. In first step of the proposed system, Niblack thresholding method is used to eliminate the background information in the X-ray images. According to the various experiments performed, Niblack, compared to the other segmentation methods, leads to less informational loss in the region of fractured bones although it makes more noise. Therefore, in the DIFFRACT, Niblack is preferred as a segmentation method. In the next step, a new method, called as SVM-based sensitive noise remover (SSNR) is proposed to eliminate the noises occurred in the segmentation step. With the help of SSNR, bone fragments and noises can be sensitively differentiated. In the feature extraction step, a lot of new feature extraction methods such as number of fragments (NOF), angle of fracture (AFE), bone completeness indicator (BCI) and fracture region map (FRM) are developed in order to classify the fractures. In the last operational step, multi-class support vector machine is used to classify the types of fractures. 196 X-ray images including different types of fracture are used to evaluate the performance of DIFFRACT. According to the 10-fold cross validation method DIFFRACT successfully classified the cases of AO-32 fracture with 89,87% accuracy. In addition, to evaluate the usability of DIFFRACT in the clinical setting, the differentiation performance was compared with two experienced physicians, and it has been observed that its success is close to the physicians. Therefore, the DIFFRACT may be used as supplementary tool for the determination of fractured femur bones by physicians. It may facilitate decision making process of the physicians.