SavedAdd your journal

Journals / Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi / 2020 / Cilt: 22 - Sayı: 66

Determination of Tympanic Membrane Region in the Middle Ear Otoscope Images with Convolutional Neural Network Based YOLO Method

Konvolüsyonel Sinir Ağı Tabanlı YOLO Yöntemi ile Orta Kulak Otoskop Görüntülerinde Timpanik Membran Bölgesinin Belirlenmesi

Erdal BAŞARAN
Zafer CÖMERT
Yüksel ÇELİK
Subha VELAPPAN
Mesut TOĞAÇAR
Pages
919–928
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Tympanic membrane region detection with YOLO, was performed with an accuracy rate of 93%.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Due to inflammation of the middle ear, various deformations occur in the eardrum.
📊
Key Findings & Data:According to the performance results, the most efficient results were obtained with ResNet and VGGNet architectures.
💡
Conclusion & Impact:Tympanic membrane region detection with YOLO, was performed with an accuracy rate of 93%.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Biyomedikal sinyal işleme · YOLO · kulak zarı

Abstract

Due to inflammation of the middle ear, various deformations occur in the eardrum. In order to diagnose the disease, it is necessary to examine the tympanic membrane in detail with an otoscope. In recent years, deep learning has been applied in many areas including biomedical field and very effective results have been achieved. Deep learning based methods are used successfully in automatic object detection. In this study, a deep learning based object detection method namely You Only Look Once (YOLO), is used for automatic detection of tympanic membrane in eardrum images obtained using otoscope device. To enable automatic detection of tympanic membrane by YOLO, experimental studies were conducted with AlexNet, VGGNet, GoogLeNet and ResNet. According to the performance results, the most efficient results were obtained with ResNet and VGGNet architectures. Tympanic membrane region detection with YOLO, was performed with an accuracy rate of 93%.

Özet

Orta kulak iltihabından dolayı kulak zarında çeşitli deformasyonlar meydana gelmektedir. Hastalığın teşhis edilebilmesi için otoskop cihazı ile kulağa bakıldığı zaman zar bölgesine erişilmesi ve detaylı bir şekilde kulak zarının incelenmesi gerekmektedir. Son yıllarda derin öğrenme birçok alanda uygulanmış ve oldukça etkili sonuçlar elde edilmiştir. Derin öğrenmenin biyomedikal alanda da sık bir şekilde kullanıldığı ve oldukça iyi neticelere varıldığı bilinmektedir. Otomatik nesne tanımlamada da derin öğrenme tabanlı yöntemler başarılı bir şekilde kullanılmaktadır. Bu çalışmada otoskop cihazı ile elde edilen orta kulak imgelerinde zar bölgesinin otomatik tespiti için derin öğrenme tabanlı nesne algılama yöntemi olan YOLO kullanılmıştır. YOLO yöntemi ile ilgili alanın otomatik olarak tespit edilmesini sağlamak üzere, nesne önerileri için evrişimsel sinir ağı mimarilerinden olan AlexNet, VGGNet, GoogLeNet, ve ResNet ile deneysel çalışmalar yapılmıştır. Performans sonuçlarına göre ResNet ve VGGNet mimarileri ile en verimli sonuçlar elde edilmiştir. YOLO ile zar bölgesinin tespiti %93 başarı oranı ile tespit edildi.

🔖

Cite This Article

BAŞARAN, E., CÖMERT, Z., ÇELİK, Y., VELAPPAN, S., TOĞAÇAR, M. (2020). Determination of Tympanic Membrane Region in the Middle Ear Otoscope Images with Convolutional Neural Network Based YOLO Method. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, Cilt: 22 - Sayı: 66, 919–928. https://ajindex.com/articles/157368

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (8)

  1. D. K. Marcia Murphy, “A review of techniques for the investigation of otitis externa and otitis media,” Clin. Tech. Small Anim. Pract., vol. Volume 16, no. Issue 4, p. Pages 236-241. T. A. Valdez et al., “Multi-color reflectance imaging of middle ear pathology in vivo,” Anal. Bioanal. Chem., vol. 407, no. 12, pp. 3277–3283, 2015.
  2. H. S. a Thorbjörn Lundberg, Leigh Biagio, Claude Laurent and D. W. Swanepoel, “Remote evaluation of video-otoscopy recordings in an unselected pediatric population with an otitis media scale,” Int. J. Pediatr. Otorhinolaryngol., vol. 78, pp. 1489–1495, 2014.
  3. T.-I. J. Yong Bin Ji, Hyeon Sang Barg, Dong Woo Park, Sam Kyu Noh, Seung Jae Oh, “Diagnosis Otitis Media Using teahertz Otoscope.” M. Koçyiğit, S. G. Örtekin, and T. Çakabay, “Otitis Media, Sınıflandırma ve Tedaviye Yaklaşım Prensipleri Otitis Media, Classification and Principles of Treatment Approach,” vol. 8, no. 2, pp. 65–70, 2016.
  4. N. Thone, M. Winter, R. J. García-Matte, and C. González, “Simulation in Otolaryngology: A Teaching and Training Tool,” Acta Otorrinolaringol. (English Ed., vol. 68, no. 2, pp. 115–120, 2017. V. Wu and J. A. Beyea, “Evaluation of a Web-Based Module and an Otoscopy Simulator in Teaching Ear Disease,” Otolaryngol. - Head Neck Surg. (United States), vol. 156, no. 2, pp. 272–277, 2017. M. Oyewumi et al., “Objective Evaluation of Otoscopy Skills among Family and Community Medicine, Pediatric, and Otolaryngology Residents,” J. Surg. Educ., vol. 73, no. 1, pp. 129–135, 2016. Y. K. Huang and C. P. Huang, “A depth-first search algorithm based otoscope application for real-time otitis media image interpretation,” Parallel Distrib. Comput. Appl. Technol. PDCAT Proc., vol. 2017-Decem, pp. 170–175, 2018.
  5. A. Ş. Ümit Budak, Ömer Faruk Alçin, Muzaffer Aslan, “Optic Disc Detection in Retinal Images via Faster Regional Convolutional Neural Networks,” pp. 3–5, 2018.
  6. E. Deniz, A. Sengür, Z. Kadiroğuglu, Y. Guo, V. Bajaj, and Ü. Budak, “Transfer learning based histopathologic image classification for breast cancer detection,” Heal. Inf. Sci. Syst., vol. 6, no. 1, p. 18, 2018.
  7. Z. Cömert, A. F. Kocamaz, and V. Subha, “Prognostic model based on image-based time-frequency features and genetic algorithm for fetal hypoxia assessment,” Comput. Biol. Med., vol. 99, pp. 85–97, Aug. 2018.
  8. Z. Zhao, Y. Zhang, Z. Comert, and Y. Deng, “Computer-Aided Diagnosis System of Fetal Hypoxia Incorporating Recurrence Plot With Convolutional Neural Network,” Front. Physiol., vol. 10, p. 2