Yapay Zeka Teknikleri Kullanılarak Kemik Yaşı Tespiti

Yıl 2021, Cilt: 4 Sayı: 3, 17 - 30, 31.12.2021

Osman Demirel Emrullah Sonuç

https://doi.org/10.54537/tusebdergisi.1023666

Öz

Radyografiden kemik yaşının belirlenmesi, çocuk gelişimi ve adli tıpta önemlidir. Kemik yaşı tayini genellikle Greulich ve Pyle (G&P) yöntemi veya Tanner-Whitehouse (TW) yöntemi kullanılarak sol elin radyolojik muayenesi ile yapılmaktadır. Gözlemsel eşleşmelere dayalı sonuçlar üreten bu yöntemler, radyologların farklı sonuçlar üretmesini engelleyemez. Çalışmamızın amacı, hekimlerin yaş tayininde doğru kanaat oluşumuna destekleyici bir çözüm sunmaktır. Bu çalışmada, kemik yaşını otomatik olarak değerlendirmek için karpal kemiklerin hesaplanmış alanları ve radiyusun distal epifiz bölgesinin birlikte kullanıldığı bir yöntem önerilmiştir. Çalışmada 1-7 yaş arası erkek ve kız çocukların sol el grafiklerini içeren yerli bir veri seti kullanılmıştır. Karpal kemikler, DICOM (Digital Imaging and Communications in Medicine) görüntü penceresi değişkenleri, kenar ve kontur tespit ediciler kullanılarak ayrıştır. Ayrışan karpal kemikler manuel olarak seçilerek alanlar hesaplanmıştır. Alanlar ve radiyusun distal epifiz bölgesi modellenen yapay sinir ağına verilerek ağ %87 oranında doğrulukta eğitilmiştir. Modelin test verileri üzerindeki başarı oranı %85 olarak ölçülmüştür. Çalışma sonunda oluşturulan ağın kemik yaşının belirlenmesinde etkili olduğu görülmüştür.

Anahtar Kelimeler

Evrişimli sinir ağları, Tıbbi görüntüler için derin öğrenme, Tanner-Whitehouse, Greulich ve Pyle

Teşekkür

Veri setini temin ettiğimiz Samsun İl Sağlık Müdürlüğü’ne yaptığı katkıdan ötürü teşekkür ederiz

Kaynakça

• Ahmed, S. R. A. ve Sonuç, E. (2021). Deepfake detection using rationale-augmented convolutional neural network. Applied Nanoscience. doi:10.1007/s13204-021-02072-3
• Canny, J. (1986). A Computational Approach to Edge Detection. A Computational Approach to Edge Detection.
• Cheung, J. P. Y. ve Luk, K. D.-K. (2017). Managing the Pediatric Spine: Growth Assessment. Asian Spine Journal, 11(5), 804-816. doi:10.4184/asj.2017.11.5.804
• Codrea, M. C. ve Nevalainen, O. S. (2005). Note: An algorithm for contour-based region filling. Computers & Graphics, 29(3), 441-450. doi:10.1016/j.cag.2005.03.005
• Cuong, N. L. Q., Minh, N. H., Cuong, H. M., Quoc, P. N., Anh, N. H. V. ve Hieu, N. V. (2018). Porosity Estimation from High Resolution CT SCAN Images of Rock Samples by Using Housfield Unit. Open Journal of Geology, 8(10), 1019-1026. doi:10.4236/ojg.2018.810061
• Deshmukh, S. ve Khaparde, A. (2022). Faster Region-Convolutional Neural network oriented feature learning with optimal trained Recurrent Neural Network for bone age assessment for pediatrics. Biomedical Signal Processing and Control, 71, 103016. doi:10.1016/j.bspc.2021.103016
• Dias, C. A., Bueno, J. C. S., Borges, E. N., Botelho, S. S. C., Dimuro, G. P., Lucca, G., … Drews Junior, P. L. J. (2018). Using the Choquet Integral in the Pooling Layer in Deep Learning Networks. G. A. Barreto ve R. Coelho (Ed.), Fuzzy Information Processing içinde , Communications in Computer and Information Science (ss. 144-154). Cham: Springer International Publishing. doi:10.1007/978-3-319-95312-0_13
• Ding, L., Zhao, K., Zhang, X., Wang, X. ve Zhang, J. (2019). A Lightweight U-Net Architecture Multi-Scale Convolutional Network for Pediatric Hand Bone Segmentation in X-Ray Image. IEEE Access, 7, 68436-68445. IEEE Access, sunulmuş bildiri. doi:10.1109/ACCESS.2019.2918205
• Gong, X.-Y., Su, H., Xu, D., Zhang, Z.-T., Shen, F. ve Yang, H.-B. (2018). An Overview of Contour Detection Approaches. International Journal of Automation and Computing, 15(6), 656-672. doi:10.1007/s11633-018-1117-z
• Hackeling, G. (2014). Mastering Machine Learning with scikit-learn. Olton Birmingham, UNITED KINGDOM: Packt Publishing, Limited. http://ebookcentral.proquest.com/lib/ataturk-ebooks/detail.action?docID=1827594 adresinden erişildi.
• Han, X., Zhong, Y., Cao, L. ve Zhang, L. (2017). Pre-Trained AlexNet Architecture with Pyramid Pooling and Supervision for High Spatial Resolution Remote Sensing Image Scene Classification. Remote Sensing, 9(8), 848. doi:10.3390/rs9080848
• Haralick, R. M. (1984). Digital Step Edges from Zero Crossing of Second Directional Derivatives. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-6(1), 58-68. IEEE Transactions on Pattern Analysis and Machine Intelligence, sunulmuş bildiri. doi:10.1109/TPAMI.1984.4767475 Hermena, S. ve Young, M. (2021). CT-scan Image Production Procedures. StatPearls içinde . Treasure Island (FL): StatPearls Publishing. http://www.ncbi.nlm.nih.gov/books/NBK574548/ adresinden erişildi.
• İZgi̇, M. S. ve Kök, H. (2020). Kemik Yaşı ve Maturasyon Tespiti. Selcuk Dental Journal. doi:10.15311/selcukdentj.477836
• Jain, R., Kasturi, R. ve Schunck, B. G. (1995). Machine vision (C. 5). McGraw-hill New York.
• Koitka, S., Kim, M. S., Qu, M., Fischer, A., Friedrich, C. M. ve Nensa, F. (2020). Mimicking the radiologists’ workflow: Estimating pediatric hand bone age with stacked deep neural networks. Medical Image Analysis, 64, 101743. doi:10.1016/j.media.2020.101743
• Mahesh, M. (2002). The AAPM/RSNA Physics Tutorial for Residents. RadioGraphics, 22(4), 949-962. doi:10.1148/radiographics.22.4.g02jl14949
• Manzoor Mughal, A., Hassan, N. ve Ahmed, A. (2014). Bone Age Assessment Methods: A Critical Review. Pakistan Journal of Medical Sciences, 30(1), 211-215. doi:10.12669/pjms.301.4295
• Marr, D. ve Hildreth, E. (1980). Theory of edge detection. Proceedings of the Royal Society of London, 187-217.
• Martin, D. D., Wit, J. M., Hochberg, Z., Sävendahl, L., Rijn, R. R. van, Fricke, O., … Ranke, M. B. (2011). The Use of Bone Age in Clinical Practice – Part 1. Hormone Research in Paediatrics, 76(1), 1-9. doi:10.1159/000329372
• Öztürk, Y., Kiliçoğlu, H. ve Saka, N. (2013). İskeletsel 3. Sinif Vakalarda Kemik Olgunluğunun Tanner-Whitehouse (Tw2-Rus) Yöntemi İle Belirlenmesi-The Assesment Of The Skeletal Maturity In Skeletal Class 3 Cases According To Tanner-Whitehouse (Tw2-Rus) Method. Journal of Istanbul University Faculty of Dentistry, 27(1), 65-70.
• Papari, G. ve Petkov, N. (2011). Edge and line oriented contour detection: State of the art. Image and Vision Computing, 29(2), 79-103. doi:10.1016/j.imavis.2010.08.009
• Pinchi, V., De Luca, F., Ricciardi, F., Focardi, M., Piredda, V., Mazzeo, E. ve Norelli, G.-A. (2014). Skeletal age estimation for forensic purposes: A comparison of GP, TW2 and TW3 methods on an Italian sample. Forensic Science International, 238, 83-90. doi:10.1016/j.forsciint.2014.02.030
• Rosenfeld, A. (1970). Connectivity in Digital Pictures. Journal of the ACM (JACM), 17(1), 146-160. doi:10.1145/321556.321570
• Schmeling, A., Olze, A., Reisinger, W., König, M. ve Geserick, G. (2003). Statistical analysis and verification of forensic age estimation of living persons in the Institute of Legal Medicine of the Berlin University Hospital Charité. Legal Medicine, Selected papers from the 5th International Symposium on Advances in Legal Medicine (ISALM) 2002, 5, S367-S371. doi:10.1016/S1344-6223(02)00134-7
• Sewak, M., Karim, R. ve Pujari, P. (2018). Practical Convolutional Neural Networks: Implement Advanced Deep Learning Models Using Python. Birmingham, UNITED KINGDOM: Packt Publishing, Limited. http://ebookcentral.proquest.com/lib/ataturk-ebooks/detail.action?docID=5314627 adresinden erişildi.
• Su, L., Fu, X. ve Hu, Q. (2021). Generative adversarial network based data augmentation and gender-last training strategy with application to bone age assessment. Computer Methods and Programs in Biomedicine, 212, 106456. doi:10.1016/j.cmpb.2021.106456
• Zafar, I., Tzanidou, G., Burton, R., Patel, N. ve Araujo, L. (2018). Hands-On Convolutional Neural Networks with TensorFlow: Solve Computer Vision Problems with Modeling in TensorFlow and Python. Birmingham, UNITED KINGDOM: Packt Publishing, Limited. http://ebookcentral.proquest.com/lib/ataturk-ebooks/detail.action?docID=5504396 adresinden erişildi.