Lateral sefalometrik görüntülerde servikal vertebra kemik yaşının yapay zeka algoritmaları ile belirlenmesi

Abstract

Bu tez çalışmasında, lateral sefalometrik radyograflardan servikal vertebra özniteliklerinin çıkarılması ve makine öğrenmesi algoritmaları kullanılarak Baccetti ve ark. tarafından 2005 yılında bildirilen metoda uygun biçimde sınıflandırılması amaçlandı.Bu retrospektif çalışma için seçilen 647 örnek (343 kadın ve 304 erkek) şu kriterlere göre seçildi: Kronolojik yaşın 10 ve 29 yıl arasında olması, C2, C3, C4 ve C5 vertebraların açıkça görülebilir olması, vertebralarda herhangi bir anomali görülmemesi. Görüntülerden özniteliklerin çıkarılması için rehber özelliği olan özel bir bilgisayar yazılımı iki klinisyen ve iki bilgisayar mühendisi tarafından geliştirildi. 100 lateral sefalometrik görüntü iki klinisyen tarafından görsel ve yazılım destekli metodla değerlendirildi ve bu işlem sonunda elde edilen veriler yazılımın rehber özelliğinde kullanılacak kuralların belirlenmesinde kullanıldı. Ardından 647 örnekteki C2, C3, C4 ve C5 vertebraların özellikleri değerlendirilip SVM seviyeleri ve vertebra morfolojileri kaydedildi. Her bir görüntü üzerinde 26 nokta (Her vertebra için 6 nokta ve kalibrasyon amaçlı 2 nokta) yazılım rehberliğinde işaretlendi ve bu noktalar yardımıyla mesafe ve oranlar kaydedildi. Tüm veri setinin oluşturulmasından sonra, beş farklı makine öğrenmesi modeli, beş farklı veri seti alt grubu ile sınıflandırıldı. 498 örnek eğitim, 149 örnek test amaçlı kullanıldı. Kronolojik yaş ve SVM seviyeleri arasında Spearman ve Kendall korelasyon katsayılarına göre pozitif yönlü anlamlı ilişki bulundu (p<0,001). Vertebra özniteliklerinin çıkarılmasında gözlemci içi uyumu belirlemek için lineer ağırlıklı kappa testinden yararlanılırken, makine öğrenmesi sınıflamaları ve veri seti arasındaki uyumu belirlemede buna çapraz tablolar eklendi. SVM seviyesi belirleme modellerinde en yüksek başarı `yapay sinir ağları` (Kappa: 0,926) ve `karar ağacı` (Kappa: 0,921) ile elde edildi. Vertebra morfolojilerinin belirlenmesinde, konkavite belirleme için en yüksek başarı `lojistik regresyon` modeli (Kappa: 0,968) ile elde edilirken, gövde şekli belirlemede en yüksek başarı `karar ağacı` modeli (Kappa: 0,949) ile elde edildi. Bu çalışmada elde edilen sonuçlara göre, SVM seviyesi belirleme görevinde lateral sefalogramlardan çıkarılan öznitelikler ve makine öğrenmesi algoritmaları kullanılabilir.

The aim of this thesis was to classify cervical vertebrae features extracted from lateral cephalometric radiographs using machine learning algorithms in order to determine cervical vertebrae maturation stage according to the method described by Baccetti et al. in 2005.The retrospective study sample was consisted of 647 subjects' (343 female and 304 male) digital lateral cephalograms with the following criteria: Chronologic age between 10 and 29 years, complete visibility of C2, C3, C4 and C5 vertebrae, absence of anomalies of the vertebrae. In order to extract image features, a special computer software with guidance developed by two clinicians and two computer engineers. 100 lateral cephalograms were analysed by visual and computer aided methods by two clinicians and the data obtained at the end of this process was used to determine the rules for the software guidance. Latter, C2, C3, C4 and C5 vertebraes were analysed for 647 sample and cervical vertebra maturation stages were saved with morphologies of each vertebrae. 26 points in total (6 points per vertebra and 2 more for calibration) were marked in every cephalogram with software guidance and those points were used to calculate the distance and ratios. After the whole data set is acquired, five different machine learning algorithms were used in order to classify the five different data subsets with different features. 498 of the samples were used for training and remaining 149 were used for the test.There was a significant positive relationship between chronologic age and cervical vertebrae maturation stages according to Spearman's and Kendall's correlation coefficients (p<0,001). Linear weighted kappa was used to determine intra observer agreement for feature extraction process, while crosstabs were added for the agreement between machine learning classifications and data set. The best results were achieved using `artificial neural networks` (Kappa: 0,926) and `decision tree` (Kappa: 0,921) models for the cervical vertebrae maturation stage analysis. For vertebrae morphologies, best results were achieved using `logistic regression` (Kappa: 0,968) model for concavities and `decision tree` (Kappa: 0,949) model for vertebrae body shapes. With the results of this study, machine learning algorithms can be used for cervical vertebrae maturation stage classification tasks using features extracted from lateral cephalograms.