Browsing by Author "Duran, Semra"

Now showing 1 - 3 of 3

Citation - WoS: 22
Citation - Scopus: 24
Deep Learning Methods in the Diagnosis of Sacroiliitis From Plain Pelvic Radiographs
(Oxford Univ Press, 2023) Ureten, Kemal; Maras, Yuksel; Duran, Semra; Gok, Kevser; 01. Çankaya Üniversitesi
Objectives The aim of this study is to develop a computer-aided diagnosis method to assist physicians in evaluating sacroiliac radiographs. Methods Convolutional neural networks, a deep learning method, were used in this retrospective study. Transfer learning was implemented with pre-trained VGG-16, ResNet-101 and Inception-v3 networks. Normal pelvic radiographs (n = 290) and pelvic radiographs with sacroiliitis (n = 295) were used for the training of networks. Results The training results were evaluated with the criteria of accuracy, sensitivity, specificity and precision calculated from the confusion matrix and AUC (area under the ROC curve) calculated from ROC (receiver operating characteristic) curve. Pre-trained VGG-16 model revealed accuracy, sensitivity, specificity, precision and AUC figures of 89.9%, 90.9%, 88.9%, 88.9% and 0.96 with test images, respectively. These results were 84.3%, 91.9%, 78.8%, 75.6 and 0.92 with pre-trained ResNet-101, and 82.0%, 79.6%, 85.0%, 86.7% and 0.90 with pre-trained inception-v3, respectively. Conclusions Successful results were obtained with all three models in this study where transfer learning was applied with pre-trained VGG-16, ResNet-101 and Inception-v3 networks. This method can assist clinicians in the diagnosis of sacroiliitis, provide them with a second objective interpretation and also reduce the need for advanced imaging methods such as magnetic resonance imaging.
Citation - WoS: 11
Citation - Scopus: 11
Diagnosis of Osteoarthritic Changes, Loss of Cervical Lordosis, and Disc Space Narrowing on Cervical Radiographs With Deep Learning Methods
(Turkish Joint Diseases Foundation, 2022) Tokdemir, Gul; Ureten, Kemal; Atalar, Ebru; Duran, Semra; Maras, Hakan; Maras, Yuksel; 17411; 34410; 06.01. Bilgisayar Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
Objectives: In this study, we aimed to differentiate normal cervical graphs and graphs of diseases that cause mechanical neck pain by using deep convolutional neural networks (DCNN) technology. Materials and methods: In this retrospective study, the convolutional neural networks were used and transfer learning method was applied with the pre-trained VGG-16, VGG-19, Resnet-101, and DenseNet-201 networks. Our data set consisted of 161 normal lateral cervical radiographs and 170 lateral cervical radiographs with osteoarthritis and cervical degenerative disc disease. Results: We compared the performances of the classification models in terms of performance metrics such as accuracy,
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.