Pelvis bilgisayarlı tomografi görüntülerinden elde edilen parametreler ile makine öğrenme algoritmaları kullanılarak cinsiyet tahmini üzerine bir deneme

Abstract

Cinsiyet tahmini antropolojik, tıbbi ve adli uygulamalarda önemlidir. Cinsiyet tahmini iskelet sistemini oluşturan kemikler üzerinden yapılabilmektedir. Kemikler içerisinde cinsiyet tahmininde en güvenilir kemik olarak görülen ise pelvis iskeletini oluşturan kemiklerdir. Bu çalışmanın amacı; bilgisayarlı tomografi görüntüleri üzerinden pelvis kemiğine işaret noktaları yerleştirilerek makine öğrenme algoritmaları kullanılarak cinsiyet tahmini denemesi yapmaktır. Çalışmamız daha önceden çeşitli sağlık problemleri ile Karabük Üniversitesi Eğitim Araştırma Hastanesine başvurmuş 25-50 yaş arası sağlıklı olduğu belirlenen 300 bireye (150 kadın, 150 erkek) ait hastane Picture Archiving and Communication System (PACS) arşiv sistemindeki Bilgisayarlı Tomografi (BT) görüntüleri üzerinden yapılmıştır. Elde edilen görüntüler Digital Imaging and Communications in Medicine (DICOM) formatında kaydedilerek kişisel iş istasyonuna (Horos Project, Versiyon 3.0) aktarıldı. Daha sonra görüntüler ortogonal düzleme getirilerek promontorium, crista iliaca, articulatio sacroiliaca, spina iliaca anterior superior, spina iliaca anterior inferior, linea terminalis, foramen obturatum, trochanter major, trochanter minor, caput femoris, collum femoris, tuber ischiadicum, acetabulum, symphsis pubis'e işaret noktaları yerleştirilerek bu bölgelere ait koordinatlar elde edilmiştir. Elde edilen koordinatlar Sekazu programına aktarılarak 34 farklı uzunluk ve 8 farklı açı elde edilmiştir. Toplam 42 farklı uzunluk ve açı Sekazu programındaki makine öğrenme algoritmaları kullanılarak çözümlenmiştir. Çözümlemenin sonucunda; Karar Ağacı (KA) ile %91-93, Rastgele Orman (RO) ile %90-93, ADA Boost Sınıflandırması (ADA) ile %91-94, Lojistik Regresyon (LR) ile %90-94, Doğrusal Diskriminant Analizi (DDA) ile %90-96, Ekstra Ağaçlar Sınıflandırması (EAS) ile %90-93 oranında cinsiyeti tahmin edebildiği tespit edilmiştir. Çalışmamızın sonucunda; pelvis BT görüntüleri üzerinden makine öğrenme algoritmaları kullanılarak yüksek oranlarda cinsiyeti tahmin edilebileceği ortaya konulmuştur.

Gender prediction is important in anthropological, medical and forensic practices. Gender estimation can be done on the bones that make up the skeletal system; Among the bones, the most reliable bone for sex prediction is the bones forming the pelvic skeleton. The aim of this study is to perform sex determination using machine learning algorithms by placing landmarks on the pelvic bone via computed tomography images. Our study was performed on the Computed Tomography (CT) images of the hospital Picture Archiving and Communication System (PACS) of 300 individuals (150 females, 150 males) aged 25-50 years who applied to Karabuk University Education and Research Hospital with various health problems. The images were recorded in Digital Imaging and Communications in Medicine (DICOM) format and transferred to a personal workstation (Horos Project, Version 3.0). Then the images are reoriented to the orthogonal plane on the promontorium, crista iliaca, articulatio sacroiliaca, spina iliaca anterior superior, spina iliaca anterior inferior, linea terminalis, foramen obturatum, trochanter major, trochanter minor, caput femoris, collum femoris, tuber ischiadicum, acetabulum a landmarks were placed and the coordinates of these regions were obtained. The obtained coordinates were transferred to Sekazu program and 34 different lengths and 8 different angles were obtained. A total of 42 different lengths and angles were analyzed using machine learning algorithms in Sekazu. As a result of analysis; Haved that it can predict gender by 91-93% with Decision Tree (KA), 90-93% with Random Forest (RO), 91-94% with ADA Boost Classifier (ADA), 90-94% with Logistic Regression (LR), 90-96% with Linear Discriminant Analysis (DDA), Extra Trees Classifier (EAS) 90-93%. As a result conclusion; it has been demonstrated that high rates of sex predict by can be done using machine learning algorithms on pelvis CT images.