Tez No	İndirme	Tez Künye	Durumu
725935		Derin öğrenme yöntemleri ile el bilek grafisinden kemik yaşının tahmini / Age estimation from left-hand radi̇ographs with deep learning methods Yazar:CÜNEYT ÖZDEMİR Danışman: DOÇ. DR. YILMAZ KAYA Yer Bilgisi: Siirt Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:Görüntü işleme-bilgisayarlı = Image processing-computer assisted ; Makine öğrenmesi = Machine learning ; Makine öğrenmesi yöntemleri = Machine learning methods ; Yapay sinir ağları = Artificial neural networks	Onaylandı Doktora Türkçe 2022 168 s.
Yaş tespiti medikal alanda, çocukluk çağında, büyüme ve gelişmenin takibinde, çocuklarda büyümeyi ve gelişmeyi etkileyen çeşitli hastalık durumlarında, adli tıpta, yaşa göre cezai sorumluluk durumlarında, evlilik, askere alınma, rekabetçi sporlarda ve işe başlama durumlarında, mültecilerde, çocuk erişkin ayrımında bulunmak gibi birçok farklı konuda istenebilmektedir. Bu tez çalışması ile pediatrik kemik yaşı tahmini için radyologların iş akışını hızlandıracak, sol el bilek grafilerinden derin öğrenme teknolojisi kullanılarak bilgisayar temelli bir karar destek sistemi geliştirilmiştir. Bu çalışmada kullanılan veri setleri Kütahya ilinden temin edilen görüntülerden ve literatürde public olarak dağıtılan RSNA veri setinden oluşmaktadır. Veri seti Kütahya sağlık bilimleri üniversitesi rektörlüğün'den etik kurul izni ile alınmıştır. Çalışmada 18 yaş üstü ve 18 yaş altı şeklinde iki farklı senaryo için denemeler gerçekleştirilmiştir. 18 yaş altı için yapılan çalışmada derin öğrenme metotlarından IncepitonV3, MobileNetV2, EfficientNetB4 ve modifiye edilmiş IncepitonV3 modellerinin performansları karşılaştırılmıştır. 18 yaş altı sonuçlara bakıldığında veri setimiz üzerinde modifiye edilmiş IncepitonV3 transfer derin öğrenme yöntemi ile MAE=4,3, RMSE=5,76, R2=0,99 olarak bulunmuştur. Önerilen InceptionV3 transfer öğrenme modeli ile public olarak dağıtılan veri seti üzerinde MAE=5.75, RMSE=7.42 ve R2=0.96 olarak tespit edilmiş olup literatürde bu veri seti üzerinde yapılan çalışmalar arasında ki en iyi sonuçlardan biri elde edilmiştir. Bu çalışma ile modellerin cinsiyetlere ve yaş gruplarına göre farklılıkları ölçülmüştür. Ayrıca bu çalışma Türkiye'den toplanan el bilek grafi veri seti ile yapılan ilk derin öğrenme çalışmalarından biridir. Bu çalışma el bilek grafilerinden kemik yaşı tespitinde kullanılmak üzere yeni bir veri seti oluşturulmuş olup, yeni bir model tavsiye edilmiştir. Bu çalışmada yapılan diğer bir çalışma ise 18 yaş üstündeki bireylerin el bilek görüntülerinden kemik yaşının tespitine yönelik olarak yapılmıştır. Literatürde 18 yaş üstündeki bireylerin sol el bilek grafilerinden erişkin bireylerde yaş tespitinin derin öğrenme yöntemleri ile yapıldığına dair herhangi bir araştırmaya rastlanmamıştır. Bu çalışma ile 18 yaş üzeri bireylerde yaş tespiti derin öğrenme yöntemleri (DenseNet201, InceptionV3, ResNet50V2) ile yapılmıştır. Tarafımızca oluşturulan veri setinin kullanılması ile erkeklerde MAE=1,666, RMSE=2,665, R2=97,32 ve kadınlarda MAE=2,044, RMSE=3,069, R2=96,84 performans sonuçları gözlenmiştir. Bu çalışmada kullanılan yöntem ve bulunan sonuçlar bu alanda yapılan ilk çalışmadır. Bu sonuçlar ışığında bu çalışmada kullanılan metot bize derin öğrenme metotlarının 18 yaş üstü bireylerde kemik yaşı tespitinde yardımcı bir araç olarak kullanılabileceğini göstermiştir
Age estimation is required in many different circumstances s, in the medical field monitoring the growth and development in children, in forensic medicine describing criminal liability cases according to age. Additionally, marriage, military recruitment, competitive sports and employment situations, and discrimination between children and adults in refugees may require age estimation. In this thesis, a computer-based decision support system which will speed up the workflow of radiologists for pediatric bone age estimation has been developed by using deep learning technology from left hand wrist radiographs. For this purpose, the performances of IncepitonV3, MobileNetV2, EfficientNetB4 and modified IncepitonV3 deep learning methods were compared. RSNA dataset which is publicly distributed in the literature and a newly formed dataset from the left-hand radiographs of children from the Kütahya province is used in this study. The data set was obtained from Kütahya University of Health Sciences with the permission of the ethics committee. For this essay, trials for two different scenarios: over 18 years old and under 18 years old were carried out. The results for below the 18 years age group with the modified IncepitonV3 transfer deep learning method on new data set are as MAE=4,3, RMSE=5,76, R2=0,99. Additionally with the proposed InceptionV3 transfer learning model on the publicly distributed data set results are as MAE=5,75, RMSE=7,42 and R2=0,96. These are one of the best results among the studies on this data set In addition, this research is one of the first deep learning studies conducted on a dataset that contains images from turkish people. Furthermore for this study, a new data set was created for bone age estimation from hand-wrist radiographs, and also a new deep learning model was recommended. Another part of this research is for bone age determination with hand-wrist radiographs for adults. Upto our knowledge there is no research in the literature for adult bone age determination with deep learning methods from left hand wrist radiographs. Deep learning methods which are DenseNet201, InceptionV3 and ResNet50V2 are used for bone age estimation of subjects over the age of 18. Performance results on the newly created data set are as following, for females MAE=1,666, RMSE=2,665, R2=97,32, for males and MAE=2,044, RMSE=3,069, R2=96,84 With these settings the method used and the results found are the first in this specific field. In the light of these results, we can conclude deep learning methods can be used as an assistant tool for determining bone age in individuals over the age of 18.