PANORAMİK, SEFALOMETRİK VE EL-BİLEK RADYOGRAFİLERİNİ KULLANILARAK HİBRİT DERİN ÖĞRENME YÖNTEMLERİYLE YAŞ TAHMİNİ

Abstract

Mu?hendislik biliminde sağlık alanı da dahil olmak u?zere birçok gerçek du?nya problemlerinin çözu?m su?recinde derin öğrenme mimarilerinin kullanımı gu?nden gu?ne yaygınlaşmaktadır. Gu?nu?mu?zde yaş tahmininde en sık ve gu?venilir olarak kullanılan yöntemler diş ve kemik gelişiminin değerlendirildiği yöntemlerdir. Kemik yaş tahmini, tıbbi olarak çocuklardaki bu?yu?me, gelişim ve endokrin bozuklukların araştırılması için önemliyken hukuki olarak ise cezai sorumluluğun belirlenmesi ve uluslararası evlat edinme su?recinde, antropoloji ve adli tıp gibi alanlarda kritik öneme sahiptir. Bireyler u?zerinde yaş tahmini yaparken insan vu?cuduna ait en gu?venilir sonucu veren diş, kafatası ve el-bilek kemiklerinin gelişimi incelenerek yaş tahmini yapılmaktadır. Geleneksel olarak dişlerden yaş tahmini 2 farklı dönemde yapılır. Çocuklarda geçici ve su?rekli dişlerin gelişim aşamaları ve su?rme zamanları değerlendirilmektedir. Bu çalışmada panoramik, sefalometrik ve el-bilek radyografileri ile bireyin yaşını tespit etmeyi amaçlayan derin öğrenme tabanlı hibrit bir sistem önerilmiştir. Çalışmada iki veya u?ç gruplu sınıftan oluşan yedi farklı veri seti kullanılmıştır. Veri setlerindeki sınıflar genel olarak 2-6, 6-13, 13-21, 2-13 ve 13-21 yaş aralığındadır. Aynı bireylerden alınan panoramik, sefalometrik ve el-bilek radyografilerine aynı yöntemler uygulanarak önerilen sistemin gu?venirliği ve başarımı analiz edilmiştir. Çalışmada ilk olarak tu?m veri setlerine yedi farklı özellik çıkarım mimarisi uygulanmıştır. Elde edilen özellik haritası önerilen sisteme girdi olarak verilerek beş farklı makine öğrenmesi yöntemi, u?ç farklı derin öğrenme yöntemi ve iki farklı hibrit derin öğrenme yöntemi uygulanmıştır. Elde edilen performans değerlendirme metrikleri karşılaştırılarak sistem başarımı test edilmiştir. En yu?ksek %91'lik doğruluk, kesinlik, hassasiyet ve F1-skor performans değerleri InceptionV3 ve CNN+RNN hibrit modeli ile elde edilmiştir.The use of deep learning architectures in the solution process of many real-world problems in engineering science, including the field of health, is becoming increasingly widespread. Today, the most frequently and reliably used methods for age prediction are the methods that evaluate tooth and bone development. Bone age prediction is medically important for the investigation of growth, development, and endocrine disorders in children, while it is legally critical in the determination of criminal liability and international adoption processes, and in fields such as anthropology and forensic medicine. When estimating age on individuals, the development of teeth, skull, and wrist bones, which provide the most reliable results of the human body, is examined and age prediction is conducted. Traditionally, age prediction from teeth is carried out in 2 different periods. The development stages and eruption times of temporary and permanent teeth in children are evaluated. In this study, a deep learning-based hybrid system aimed at determining the age of an individual with panoramic, cephalometric, and hand-wrist radiographs is proposed. Seven different data sets consisting of two or three group classes were used in the study. The classes in the datasets are generally in the age range of 2-6, 6-13, 13-21, 2-13 and 13-21. The reliability and performance of the proposed system were analyzed by applying the same methods to panoramic, cephalometric, and hand-wrist radiographs collected from the same individuals. First, seven different feature extraction architectures were applied to all datasets in the study. The obtained feature map was set as input to the proposed system and five different machine learning methods, three different deep learning methods, and two different hybrid deep learning methods were applied. The system performance was tested by comparing the obtained performance evaluation metrics. The highest 91% accuracy, precision, sensitivity, and F1-score performance values were obtained with InceptionV3 and CNN+RNN hybrid model.