Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightFarklı veri setleri üzerinde yapılan deneysel çalışmalar sonucunda EfficientNet-B7 derin öğrenme mimarisinin kemik kırığı sınıflandırma görevinde diğer modellere göre daha yüksek performans sergilediği gözlemlenmiştir.
📌 3 Maddede Bu Makale
Özet
İnsan vücudunda meydana gelen kemik kırıkları genellikle röntgen görüntüleri kullanılarak teşhis edilmektedir. Özellikle acil servislerde karşılaşılan kırık vakaları hızlı teşhis ve zamanında müdahale gerektirdiğinden bu sürecin otomatikleştirilmesi büyük önem taşımaktadır. Uzmanlar tarafından manuel olarak gerçekleştirilen kırık tespiti zaman alıcı bir süreçtir. Bu nedenle otomatik teşhis sistemleri erken müdahale ve sağlık hizmetlerinin etkinliğini artırma açısından kritik bir potansiyele sahiptir. Bu çalışmada röntgen görüntülerinden kemik kırıklarının sınıflandırılmasına yönelik derin öğrenme tabanlı yöntemler kullanılarak kapsamlı bir değerlendirme gerçekleştirilmiştir. Farklı veri setleri üzerinde yapılan deneysel çalışmalar sonucunda EfficientNet-B7 derin öğrenme mimarisinin kemik kırığı sınıflandırma görevinde diğer modellere göre daha yüksek performans sergilediği gözlemlenmiştir. Model performansını artırmak amacıyla olasılık temelli bir hiperparametre optimizasyon yaklaşımı olan Bayes optimizasyonu uygulanmış ve öğrenme oranı ile momentum değerleri otomatik olarak ayarlanmıştır. Optimizasyon sonrası modelin F1 performans ölçütü 0.89 değerine ulaşmıştır. Ayrıca modelin karar verme sürecini analiz edebilmek ve açıklanabilirliğini artırmak amacıyla gradyan tabanlı sınıf aktivasyon haritalama yöntemi uygulanmıştır. Elde edilen görselleştirmeler modelin kırık bölgelerine doğru biçimde odaklandığını göstermiştir. Sonuçlar derin öğrenme temelli otomatik kırık tespit sistemlerinin güvenilirliğini ve klinik uygulamalardaki potansiyelini ortaya koymaktadır.
Abstract
Bone fractures are typically diagnosed using radiographic imaging techniques. In emergency departments, where rapid and accurate diagnosis is essential, automating this process has become increasingly important. Manual fracture detection performed by clinicians is time-consuming and may delay intervention. Therefore, automated diagnostic systems have significant potential to improve early decision-making and healthcare efficiency. In this study, a comprehensive evaluation was conducted using deep learning-based methods for the classification of bone fractures from X-ray images. Experimental results obtained from two publicly available datasets demonstrated that the EfficientNet-B7 deep learning architecture outperformed other convolutional neural network models in fracture classification tasks. To enhance model performance, a probabilistic hyperparameter optimization approach based on Bayesian optimization was applied. The learning rate and momentum parameters were automatically tuned to maximize validation performance. After optimization, the model achieved an F1 performance score of 0.89 on the test data. Furthermore, to improve interpretability and analyze the decision-making process of the model, a gradient-based class activation mapping technique was employed. The visualization results showed that the model accurately focused on clinically relevant fracture regions during classification. The findings indicate that the proposed deep learning framework provides reliable performance and improved interpretability, highlighting its potential use as a supportive decision tool in clinical practice, particularly in emergency settings.