Sefalometrik Noktaların Derin Öğrenme Kullanarak Otomatik Tespiti

Abstract

Günümüzde her sektörde bilgisayarlar kullanılarak büyük miktarda veriler toplanmaktadır. Sağlık, savunma sanayi, uzay ve siber güvenlik gibi alanlarda makine öğrenmesi yöntemleri kullanılarak, toplanan bu veri yığınları yüksek başarı oranlarıyla raporlanıp bunlardan anlamlı bilgiler çıkarılabilmektedir. Medikal görüntü analizi alanında yapılan araştırmalara ilgi artmasıyla birlikte uzmanlar, kritik tıbbi analiz problemlerini ele almak için ilginç ve etkili yöntemlere yönelmiştir. Bu alanlardan biri de sefalometrik analizdir. Sefalometrik işaretler hastalık teşhisleri, oral ve maksillofasiyal cerrahi alanlarında değerlendirme ve kraniyofasiyal büyüme tahmini, tedavi planı, küratif etkisini değerlendirme ve farklı olguları karşılaştırmak için kullanılmaktadır. Bu tez çalışmasında Evrişimsel Sinir Ağları (ESA) kullanılarak sefalometrik noktalarının otomatik tespitini yapan bir U-Net modeli geliştirilmiştir. 2015 IEEE Uluslararası Biyomedikal Görüntüleme Sempozyumu içinde Sefalometrik X-ray Görüntü Analizi Yarışması'nın himayesinde oluşturulmuş sefalometrik görüntüler kullanılmıştır. Toplam 19 Sefalometrik nokta otomatik tespit edilmiştir. 2 mm aralığında 74,0% Başarılı Algılama Oranı (BAO), 2,5 mm aralığında 81,4%, 3 mm aralığında 86,3% ve 4mm aralığında ise 92,2% BAO elde edilmiştir.

Today, large amounts of data are collected using computers in every sector. Using machine learning methods in areas such as networking, defense industry, space and cybersecurity, these data can be reported with high success rates and meaningful information can be extracted. With the increase in research in digital x-ray imaging, experts have successfully brought forward interesting and effective methods to address critical medical analysis problems. One of these fields is cephalometric analysis. Within the scope of the study of this thesis, a solution was presented with deep learning on cephalometric image analysis. Cephalometric analysis is used for disease diagnoses, evaluation in oral and maxillofacial surgery areas and craniofacial growth estimate, treatment plan, curative effect evaluation and comparison of different cases. In this thesis study, a U-Net model was developed that makes automatic detection of Cephalometric points using Convolutional Neural Networks. The data used in the scope of this research are obtained from the publicly available dataset provided during the 2015 ISBI Grand Challenge Training Dataset. 19 Cephalometric points are detected automatically. 74,0% Success Detection Rate was achieved in the range of 2 mm, 81,4% in the 2.5 mm range, 86,3% in the 3mm range and 92,2% in the 4mm range.