Yapay zeka ve derin öğrenme teknolojileri ile  kalça eklemi radyografilerinde femoral komponentin tanınması

AHMET METİN ÖZSEZEN

Yapay zeka ve derin öğrenme teknolojileri ile kalça eklemi radyografilerinde femoral komponentin tanınması

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, GÜLHANE TIP FAKÜLTESİ, CERRAHİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye

Tezin Onay Tarihi: 2021

Tezin Dili: Türkçe

Öğrenci: AHMET METİN ÖZSEZEN

Danışman: Cemil YILDIZ

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Revizyon cerrahisinin planlanmasında en önemli basamaklardan biri var olan implantların marka, model ve tasarımının bilinmesidir. Mevcut veri tabanları ve hasta kayıtları ile implantların marka ve modelinin tespit edilmesinde zorluklar yaşanmaktadır. Elimizdeki en güvenilir kaynak çoğunlukla radyografidir. Ancak sık artroplasti uygulayan cerrahlar bile benzer geometrik tasarımlara sahip implantları radyografilerden ayırt etmekte zorlanmaktadır. Son yıllarda hızlı bir gelişim gösteren yapay zeka teknolojileri ortopedi ve tıbbın diğer kollarında büyük veri setleri değerlendirilebilmekte, tıbbi görüntüleri işleyerek yorumlayabilmekte ve tıbbi belgeler üzerinden doğal dil işleme algoritmaları ile değerlendirmeler yapabilmektedir. Çalışmada amacımız revizyon cerrahileri için zorlu bir basamak olan femoral komponentleri tespit edebilmek için bir yapay zeka algoritması geliştirmektir. Çalışmaya kliniğimizde sık kullanılan 4 tasarım (Corail (Depuy®), M/L Taper (Zimmer), SL-PLUS (Smith&Nephew) ve Alloclassic®Zweymüller® (Zimmer)) ile ameliyat edilmiş hastaların grafileri dahil edildi. Radyografiler 80:10:10 oranında eğitim, doğrulama ve test seti olacak şekilde ayrıldı. Tensorflow alt yapısı kullanılarak, Xception yapay sinir ağı mimarisi ile dört stem tasarımını birbirinden ayırabilen bir algoritma geliştirildi ve daha önce karşılaşmadığı röntgenler ile teste tabii tutuldu. Çalışmaya toplam 134 hastanın grafileri dahil edildi. Veri arttırımı yapıldıktan sonra 82 hastanın 2330 görüntüsü ile model eğitildi. 29 hastanın görüntüleri ile test edildi. Algoritma tarafından dört tasarım da %100 oranda birbirinden ayırt edildi. Modelin doğrulama keskinliği 0.9931, eğitim keskinliği 1.00 doğrulama hatası 0.0416 ve eğitim hatası 0.0182 olarak saptandı. Yapay sinir ağları kullanılarak eğitilen modeller ile revizyon cerrahileri öncesinde implantların tanınmasında kullanışlı bir yöntem olabilir. Farklı tasarımlar ile ilgili veriler ile beslenerek model geliştirilip genellenebilir bir hale getirilebilir.