X-RAY GÖRÜNTÜLERİNDE KEMİK KIRIKLARININ DERİN ÖĞRENME YÖNTEMLERİ İLE OTOMATİK TESPİTİ

Abstract

Bu tezde, X-ray görüntülerinde kemik kırıklarının otomatik olarak tespit edilmesi için öğrenme tabanlı bir yaklaşım önerilmektedir. Kemik kırıklarının radyologlar tarafından değerlendirilmesi zaman alıcı ve insan hatasına açık olduğundan, otomatik kırık tespit sistemleri hem klinik iş yükünü azaltma hem de tanısal doğruluğu artırma açısından önemli bir potansiyel sunmaktadır. Bu amaçla, 717 kırık ve 3366 kırık olmayan X-ray görüntülerinden oluşan erişime açık FracAtlas veri kümesi üzerinde CNN modeller ile güçlendirilmiş Swin dönüştürücü tabanlı hibrit bir sınıflandırma yöntemi önerilmiştir. Çalışmada öncelikle başarısı kanıtlanmış CNN tabanlı modellerin temel performansları karşılaştırılmıştır. Daha sonra bu modellerin kapsamlı bir hiperparametre optimizasyonu yapılarak en yüksek performansın elde edildiği üç model seçilerek bu modellerden elde edilen özellikler Swin dönüştürücü mimarisine entegre edilmiştir. Önerilen yöntemin performansını değerlendirmek ve literatürdeki diğer çalışmalarla doğru bir şekilde karşılaştırma sağlamak için deneysel sonuçlar FracAtlas veri kümesinde paylaşılan test kümesinde elde edilmiştir. FracAtlas orijinal test veri kümesinde deneysel sonuçları elde eden çalışmalara kıyasla önerilen yöntem %94.28 doğruluk değeri ile üstün performans göstermiştir Elde edilen sonuçlar, önerilen hibrit sınıflandırma yaklaşımının CNN tabanlı temel yöntemlere kıyasla kemik kırığı sınıflandırmasında daha üstün performans gösterdiğini ortaya koymuştur.

In this thesis, a deep learning based approach is proposed for the automatic detection of bone fractures in X-ray images. Since the assessment of bone fractures by radiologists is time-consuming and prone to human error, automatic fracture detection systems offer significant potential for reducing clinical workload and improving diagnostic accuracy. To this end, a hybrid classification method based on a Swin Transformer enhanced with CNN models is introduced and evaluated on the publicly available FracAtlas dataset, which contains 717 fracture and 3,366 non-fracture X-ray images. The study first compares the baseline performance of state-of-the-art CNN-based models. Then, after conducting an extensive hyperparameter optimization, the three best-performing models are identified, and their extracted features from these models are integrated into the Swin Transformer architecture. To evaluate the performance of the proposed method and ensure valid comparison with other studies in the literature, experimental results were obtained on the official test set provided with the FracAtlas dataset. The proposed method achieved superior performance with an accuracy of 94.28% compared to studies that reported experimental results on the FracAtlas original test set. The obtained results demonstrate that the proposed hybrid classification approach exhibits superior performance in bone fracture classification compared to baseline CNN-based methods.