Detection and classification of shoulder implants from X-ray images: YOLO and pretrained convolution neural network based approach

Karaci A.Abdulkadir KARACIKaraci, A2023-05-092023-05-092022-01-012022-09-012022.01.01Karaci, A. (2022). X-ışını görüntülerinden omuz implantlarının tespiti ve sınıflandırılması: YOLO ve önceden eğitilmiş evrişimsel sinir ağı tabanlı bir yaklaşım. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37(1), 283-2941300-1884https://search.trdizin.gov.tr/publication/detail/1064175/x-isini-goruntulerinden-omuz-implantlarinin-tespiti-ve-siniflandirilmasi-yolo-ve-onceden-egitilmis-evrisimsel-sinir-agi-tabanli-bir-yaklasimhttps://hdl.handle.net/20.500.12597/6544https://hdl.handle.net/20.500.12597/11892Shoulder implants may need to be replaced several months or years after insertion. In this case, it is important to determine the manufacturer or model of the implant. In some cases, the implant manufacturer and model may not be known to patients or their physicians due to uncertainty in medical records. Today, the task of identifying an implant manufacturer or model in such situations relies on meticulous examination and visual comparison of X-ray images taken from the implant by medical professionals. But this identification task is often time-consuming, error-prone and difficult for both radiologists and orthopedic surgeons. In this study, it is aimed to automatically detect the implant manufacturer using deep learning methods. For this purpose, pretrained CNN architectures and cascade models consisting of feeding these architectures with the YOLO algorithm have been proposed.Omuz implantları yerleştirildikten belirli bir süre sonra değiştirilmelidir. Ancak bu değişim sırasında implant üreticisini veya modelini belirlemek tıbbi uzmanlar için genellikle hataya açık ve zor bir işlemdir. Bu çalışmanın amacı 597 adet omuz implantı X-ışını görüntülerinden 4 farklı implant üreticisini tespit etmektir. Bu amaçla hem önceden eğitilmiş ESA mimarileri (DenseNet201, DenseNet169, InceptionV3, NasNetLarge, VGG16, VGG19 ve Resnet50) hem de bu mimarilerin YOLOv3 tespit algoritmasıyla beslendiği kademeli modeller oluşturulmuş ve bu modellerin sınıflandırma performansları karşılaştırılmıştır. Kademeli modellerdeki YOLOv3 tespit algoritmasının görevi omuz implantlarının baş bölgesini tespit ederek bu bölgeyi ESA mimarilerine giriş olarak vermektir. Bunun yanı sıra geleneksel makine öğrenmesi yöntemleri topluluk (Ensemble) öğrenme yöntemi ile birleştirilerek veri seti üzerindeki performansları ortaya konulmuştur. En yüksek sınıflandırma performansı %84,76 doğruluk oranıyla kademeli DenseNet201 modelinde elde edilmiştir. Bu oran literatürde benzer veri setini kullanan başka bir çalışmaya göre daha yüksektir. Topluluk modellerin sınıflandırma doğruluğu ise önemli ölçüde ESA modellerinden daha düşüktür. Ayrıca YOLO destekli kademeli modellerin sınıflandırma doğruluğu bireysel ESA modellerinden daha yüksektir. Yani, YOLOV3 tespit algoritması ile implantın baş bölgesine odaklanmak sınıflandırma doğruluğunu artırmıştır. Bu yöntem bu alanda yapılacak sonraki çalışmalara ilham verecektir.trueinfo:eu-repo/semantics/openAccessConvolutional neuralnetworks | Deep learning | Object detection | Shoulder implant | YOLODetection and classification of shoulder implants from X-ray images: YOLO and pretrained convolution neural network based approachX-ışını görüntülerinden omuz implantlarının tespiti ve sınıflandırılması: YOLO ve önceden eğitilmiş evrişimsel sinir ağı tabanlı bir yaklaşımDetection and classification of shoulder implants from X-ray images: YOLO and pre- trained convolution neural network based approachArticle10.17341/gazimmfd.88820210.17341/gazimmfd.8882022-s2.0-85119911636WOS:0007188982000131064175283283294294371304-4915