X-IŞINI GÖRÜNTÜLERİNDE PEDİATRİK EL BİLEĞİ PATOLOJİLERİNİN TESPİTİ VE SINIFLANDIRILMASI İÇİN HİBRİT BİR DERİN ÖĞRENME YAKLAŞIMI

Abstract

Pediatrik el bileği travmaları, hastane acil servislerinde sıkça karşılaşılan vakalar olup, kırıklar bu travmalar arasında en yaygın olanıdır. Geleneksel olarak, bu tür yaralanmaların teşhisinde radyologlar ve cerrahlar birlikte çalışmaktadır. Ancak, son yıllarda derin öğrenme tabanlı algoritmalarda kaydedilen ilerlemeler, teşhis sürecini otomatikleştirme ve hızlandırma konusunda umut vadetmektedir. Bu tez çalışmasında, kemik anomalisi, kemik lezyonu, yabancı cisim, kırık, periosteal reaksiyon, pronator işareti, yumuşak doku gibi çeşitli pediatrik bilek travmalarının sınıflandırması ve lokalizayonu için hibrit tabanlı bir yöntem önerilmektedir. GRAZPEDWRI-DX adlı veri kümesi kullanılarak önerilen yöntemde, nesne tespiti için YOLOv8 algoritması, sınıflandırma için topluluk öğrenme tabanlı evrişimli sinir ağları ve dikkat mekanizması tabanlı görü dönüştürücü (ViT) avantajları birleştirerek bir arada kullanılmıştır. Pediatrik bilek travmalarının lokalizasyonu için YOLOv8x modeli, %83.4 kesinlik, %77.8 duyarlılık, %84.7 mAP50 ve %65.7 mAP50-95 sonuçlarını vermiştir. Sınıflandırma aşamasında, Xception, DenseNet201 ve EfficientNetB5 modellerinin topluluk yöntemiyle birleştirilip görü dönüştürücü ile hibrit bir şekilde kullanılması, %96.29 doğruluk oranında başarı sağlamıştır. Bu tez çalışmasında önerilen yöntem ve elde edilen sonuçlar, pediatrik bilek yaralanmalarının hızlı ve doğru teşhisinde gelecekteki çalışmalara yön gösterebilir.Pediatric wrist injuries are common cases encountered in hospital emergency departments, with fractures being the most prevalent among them. Traditionally, radiologists and surgeons collaborate in diagnosing such injuries. However, recent advancements in deep learning-based algorithms have shown promise in automating and expediting the diagnostic process. This thesis proposes a hybrid method for the classification and localization of various pediatric wrist injuries, including bone anomaly, bone lesion, foreign body, fracture, metal, periosteal reaction, pronator sign, and soft tissue injuries. Using the GRAZPEDWRI-DX dataset, the proposed method integrates the YOLOv8 algorithm for object detection with ensemble-based convolutional neural networks and the attention mechanism-based Vision Transformer (ViT) for classification. For the localization of pediatric wrist injuries, the YOLOv8x model achieved results of 83.4% precision, 77.8% recall, 84.7% mAP50, and 65.7% mAP50-95. In the classification phase, the hybrid use of Xception, DenseNet201, and EfficientNetB5 models in an ensemble framework combined with a Vision Transformer yielded a remarkable accuracy of 96.29%. The proposed method and the results obtained in this thesis have the potential to guide future research toward faster and more accurate diagnosis of pediatric wrist injuries.