Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2022 / Cilt: 37 - Sayı: 1

X-ışını görüntülerinden omuz implantlarının tespiti ve sınıflandırılması: YOLO ve önceden eğitilmiş evrişimsel sinir ağı tabanlı bir yaklaşım

Pages
283–294
Publication Date
2022-10-18
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)

Bu yöntem bu alanda yapılacak sonraki çalışmalara ilham verecektir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Omuz implantları yerleştirildikten belirli bir süre sonra değiştirilmelidir.
📊
Key Findings & Data:Bu çalışmanın amacı 597 adet omuz implantı X-ışını görüntülerinden 4 farklı implant üreticisini tespit etmektir.
💡
Conclusion & Impact:Bu yöntem bu alanda yapılacak sonraki çalışmalara ilham verecektir.
🔬Design:Review & Systematic Survey
📍Scope:597 adet
⚙️Variables:Omuz implantı · derin öğrenme · evrişimsel sinir ağları

Özet

Omuz implantları yerleştirildikten belirli bir süre sonra değiştirilmelidir. Ancak bu değişim sırasında implant üreticisini veya modelini belirlemek tıbbi uzmanlar için genellikle hataya açık ve zor bir işlemdir. Bu çalışmanın amacı 597 adet omuz implantı X-ışını görüntülerinden 4 farklı implant üreticisini tespit etmektir. Bu amaçla hem önceden eğitilmiş ESA mimarileri (DenseNet201, DenseNet169, InceptionV3, NasNetLarge, VGG16, VGG19 ve Resnet50) hem de bu mimarilerin YOLOv3 tespit algoritmasıyla beslendiği kademeli modeller oluşturulmuş ve bu modellerin sınıflandırma performansları karşılaştırılmıştır. Kademeli modellerdeki YOLOv3 tespit algoritmasının görevi omuz implantlarının baş bölgesini tespit ederek bu bölgeyi ESA mimarilerine giriş olarak vermektir. Bunun yanı sıra geleneksel makine öğrenmesi yöntemleri topluluk (Ensemble) öğrenme yöntemi ile birleştirilerek veri seti üzerindeki performansları ortaya konulmuştur. En yüksek sınıflandırma performansı %84,76 doğruluk oranıyla kademeli DenseNet201 modelinde elde edilmiştir. Bu oran literatürde benzer veri setini kullanan başka bir çalışmaya göre daha yüksektir. Topluluk modellerin sınıflandırma doğruluğu ise önemli ölçüde ESA modellerinden daha düşüktür. Ayrıca YOLO destekli kademeli modellerin sınıflandırma doğruluğu bireysel ESA modellerinden daha yüksektir. Yani, YOLOV3 tespit algoritması ile implantın baş bölgesine odaklanmak sınıflandırma doğruluğunu artırmıştır. Bu yöntem bu alanda yapılacak sonraki çalışmalara ilham verecektir.

🔖

Cite This Article

KARACI, A. (2022). X-ışını görüntülerinden omuz implantlarının tespiti ve sınıflandırılması: YOLO ve önceden eğitilmiş evrişimsel sinir ağı tabanlı bir yaklaşım. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 37 - Sayı: 1, 283–294. https://ajindex.com/articles/523419

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (2)

  1. Biron, D.R., Sinha, I., Kleiner, J.E., et al., A Novel machine learning model developed to assist in patient selection for outpatient total shoulder arthroplasty, The Journal of the American Academy of Orthopaedic Surgeons, 28(13), 580-585, 2020. doi: 10.5435/JAAOS-D-19-00395 2. Urban, G., Porhemmat, S., Stark, M., Feeley, B., Okada, K., Baldi, P., Classifying shoulder implants in X-ray images using deep learning, Computational and Structural Biotechnology Journal, 18, 967–972, 2020. doi: 10.1016/j.csbj.2020.04.005 3. McFarland, E.G., Sanguanjit, P., Tasaki, A., Keyurapan, E., Fishman, E.K., Fayad, L.M., The reverse shoulder prosthesis: A review of imaging features and complications, Skeletal Radiology, 35, 488–496, 2006. doi: 10.1007/s00256-006-0109-1 4. Yi, P.H., Kim, T.K., Wei, J., et al., Automated detection and classification of shoulder arthroplasty models using deep learning, Skeletal Radiology, 49(10), 1623–1632, 2020. doi: 10.1007/s00256-020-03463-3 5. Malathy, C., Sharma, U., Naidu, C.M., Pratheebha, U.U., A new approach for recognition of implant in knee by template matching, Indian Journal of Science and Technology, 9(37), 1-5, 2016. doi: 10.17485/ijst/2016/v9i37/102081 6. Borjali, A., Chen, A.F., Muratoglu, O.K., Morid, M.A., Varadarajan, K.M., Detecting total hip replacement prosthesis design on plain radiographs using deep convolutional neural network, Journal of Orthopaedic Research, 38, 1465–1471, 2020. doi: 10.1002/jor.24617 7. Wilson, N.A., Jehn, M., York, S., Davis, C.M., Revision total hip and knee arthroplasty implant identification: Implications for use of unique device identification 2012
  2. AAHKS member survey results, Journal of Arthroplasty, 29 (2), 251–255, 2014. doi: 10.1016/j.arth.2013.06.027 8. Yi, P.H., Wei, J., Kim, T.K., et al., Automated detection & classification of knee arthroplasty using deep learning, Knee, 27(2), 535–542, 2020. doi: 10.1016/j.knee.2019.11.020 9. Baldi, P., Deep Learning in Biomedical Data Science, Annual Review of Biomedical Data Science, 1 (1), 181–205, 2018. doi: 10.1146/annurev-biodatasci-080917-013343 10. Yıldız, O., Melanoma detection from dermoscopy images with deep learning methods: A comprehensive study, Journal of the Faculty of Engineering and Architecture of Gazi University, 34(4), 2241–2260, 2019. doi: 10.17341/gazimmfd.435217 11. Ghose, S., Datta, S., Batta, V., Malathy, C., Gayathri, M., Artificial Intelligence based identification of Total Knee Arthroplasty Implants, 2020 3rd Intern