Derin öğrenme yöntemleri ile kemik yaşı tespiti

Abstract

Kemik yaşının tespiti; çeşitli hastalıkların teşhis edilebilmesi, kemik gelişiminin takip edilebilmesi veya hormonsal sorunların varlığının anlaşılabilmesi için önemli bir işlemdir. Özellikle çocuk yaşlarda, büyümenin en hızlı evrelerinde bu tespit daha büyük önem taşır. Boyun aşırı uzun olması ya da aşırı kısa olması gibi durumlarda, bireyin çocukluğunu ya da yetişkinliğini ispat edebilmesi; ergenliğin sonuna kadar kemiklerin gelişebileceği son noktanın yani boy uzunluğunun tespiti gibi durumlar da kemik yaşı değerlendirmesi ile mümkündür. Her bireyin iki yaşı vardır; bunlar kemik yaşı ve kronolojik yaştır. Kemik yaşı, bireylerin iskelet olgunluğunun derecesidir. Kronolojik yaş ise, doğum tarihinden mevcut tarihe kadar olan yılların hesaplamasıyla elde edilen; kaç yaşındasın sorusuna cevap olarak verilen, bilinen yaştır. Kemik yaşı tespitinin ana amacı; bu iki yaşın arasındaki farklılığın değerlendirilmesi ile ortaya çıkan sonuca bakılarak, bireyin gelişiminde bir sorun olup olmadığının anlaşılmasını sağlamaktır. Bu çalışmada, 0-18 yaş arasındaki bireylerin 12611 sol ellerinin x-ray görüntüleri; evrişimsel sinir ağları (Convolutional Neural Network - CNN) ile kıyaslanarak en iyi sonucu veren Inception V3 modeli üzerinde katman geliştirmeleri yapılmıştır ve yeni bir model oluşturulmuştur. Oluşturulan modeli kıyaslamak için yapılan deneysel çalışmalarda; VGG-16, Inception V3 ve MobileNet mimarileri kullanılmış olup, tüm mimariler Ortalama Mutlak Hata (Mean Absolute Error - MAE), Kök Ortalama Kare Hata (Root Mean Squared Error - RMSE) ve Korelasyon Katsayısı (Correlation Coefficient - CC) değerlerine göre kıyaslanmıştır. Yeni model, klasik Inception V3'e göre çok daha hızlı sonuç vermekte olup, aynı zamanda başarısı da daha yüksek elde edilmiştir. Literatürde aynı veri setini kullanan diğer çalışmaların MAE değerleri ile kıyaslandığında da modelin iyi sonuç verdiği gözlemlenmiştir.

Determination of bone age is an important procedure for diagnosing various diseases, monitoring bone development or understanding the presence of hormonal problems. This determination is especially important in childhood, during the fastest stages of growth. In cases such as an excessively long or excessively short neck, it is possible to prove the individual's childhood or adulthood; it is also possible to determine the last point where the bones can develop until the end of puberty, i.e. the length of the height, with bone age assessment. Each individual has two ages: bone age and chronological age. Bone age is the degree of skeletal maturity of individuals. Chronological age, on the other hand, is the age we know, which is obtained by calculating the years from the date of birth to the current date; it is the age we know when we answer the question of how old we are. The main purpose of bone age determination is to determine whether there is a problem in the development of the individual by evaluating the difference between these two ages. In this study, x-ray images of 12611 left hands of individuals between the ages of 0-18 were compared with Convolutional Neural Network (CNN) and the Inception V3 model, which gave the best results, was improved and a new model was created. VGG-16, Inception V3 and MobileNet architectures were used in the experimental studies to compare the new model and all architectures were compared according to Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) and Correlation Coefficient (CC) values. The new model gives much faster results than the classic Inception V3 and is also more accurate. When compared with the MAE values of other studies in the literature using the same dataset, it is observed that the model gives good results.