Browsing by Author "Üreten, Kemal"

Now showing 1 - 2 of 2

Determining rheumatoid arthritis and osteoarthritis diseases with plain hand x-rays using convolutional neural network
(2019) Üreten, Kemal; 01. Çankaya Üniversitesi
Recent advances in computer technology have facilitated the acquisition of high-resolution images and processing of images. Convolutional neural network (CNN) is a branch of deep learning. CNN was first introduced in 1995 by LeCun, and in 2012, AlexNet won the ImageNet Large-Scale Visual Recognition Challenge (ILSVRC), after which there was rapid growth in deep learning applications. There are many successful studies using CNN especially in dermatology, pathology, radiology and ophthalmology. CNN highly successful in feature extraction and classification and requires less pre-processing. But in the CNN method, overfitting is an important problem that needs to be addressed and requires a large data set for training. If there is not enough data for CNN training from scratch, previously trained CNN network from the natural image data set are used for transfer learning. Transfer learning is the use of a pre-trained model for a new problem. In recent years, there have been a few studies showing that CNN models trained with natural images have achieved successful results in the medical field. Rheumatoid arthritis (RA) and hand osteoarthritis (OA) are two different diseases that cause pain, swelling, tenderness, loss of function in hand joints. In these diseases, affected joints and radiologic lesions show some differences. Treatment of both diseases is also different. Conventional plain hand X-Rays (CR) are often used to diagnosis, differential diagnosis of RA and OA. The aim of this study is to develop a software that will help physicians for differential diagnosis of RA and OA from CR. To the best our knowledge, this is the first study to distinguish between normal, hand OA and RA using plain hand radiographs. The efficiency of the created models was evaluated by using performance metrics such as accuracy, sensitivity, specificity and precision. In this study, pre-trained GoogLeNet, ResNet50 and VGG16 networks were used, transfer learning was applied. Successful results were obtained from all three pre-trained networks. In this study, data augmentation, droupout, fine tuning, learning rate decay was applied to prevent overfitting. And during the training, no signs of overfitting were observed in the training chart.
Radyografik Olarak Tanı Konulabilen Diz Röntgenlerinin Derin Öğrenme ve Makine Öğrenmesi Yöntemleri ile Sınıflandırılması
(2025) Duran, Semra; Orhan, Kevser; Maras, Hadi Hakan; Atalar, Ebru; Maraş, Yüksel; Üreten, Kemal; 06.01. Bilgisayar Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
Bu çalışmanın amacı, düz diz röntgenleriyle tanısı konulabilen diz osteoartriti, sinovyal kondromatozis, Osgood-Schlatter hastalığı, os fabella patolojileri ve normal diz radyografilerini derin öğrenme ve makine öğrenmesi yöntemleriyle sınıflandırmaktır. Bu çalışma 540 diz osteoartriti, 151 Osgood_Schlatter hastalığı, 191 diz kondromatozisi, 152 os fabella ve 523 normal diz röntgen görüntüsü üzerinde gerçekleştirildi. Öncelikle önceden eğitilmiş derin öğrenme modeli olan VGG-16 ağı ile sınıflandırma yapıldı. Daha sonra VGG-16 evrişim katmanı ile çıkarılan özellikler, rastgele orman, destek vektör makineleri, lojistik regresyon ve karar ağacı makine öğrenmesi algoritmalarıyla sınıflandırıldı. VGG-16 modeli ile %95,3 doğruluk, %95,1 duyarlılık, %98.7 özgüllük, %96,8 kesinlik ve %95,9 F1 skoru sonuçları elde edildi. VGG-16 evrişim katmanından çıkarılan özelliklerin makine öğrenmesi algoritmaları ile sınıflandırılmasında lojistik regresyon sınıflandırıcısı ile %98,2 doğruluk, %99,0 duyarlılık, %98.9 özgüllük, %98,2 kesinlik ve %98,5 F1 skoru sonuçları elde edilmiştir. Radyografik olarak tanısı konulabilen diz patolojilerinin sınıflandırılması amacıyla yapılan bu çalışmada, VGG-16 ağı ile başarılı sonuçlar elde edilmiştir. VGG-16 modeli evrişim katmanı üzerinden çıkarılan özellikler makine öğrenmesi algoritmaları ile yeniden sınıflandırılmış, lojistik regresyon, destek vektör makineleri ve rastgele orman sınıflandırıcıları ile VGG-16 modeline kıyasla performans metriklerinde iyileşmeler elde edilmiştir. Önerilen bu yöntemle, derin öğrenme modellerinin performansı daha da iyileştirilebilir.