Browsing by Author "Atalar, Ebru"

Now showing 1 - 3 of 3

Citation - WoS: 9
Citation - Scopus: 11
The Diagnosis of Femoroacetabular Impingement Can Be Made on Pelvis Radiographs Using Deep Learning Methods
(Turkish Joint Diseases Foundation, 2023) Atalar, Ebru; Ureten, Kemal; Kanatli, Ulunay; Ciceklidag, Murat; Kaya, Ibrahim; Vural, Abdurrahman; Maras, Yuksel
Objectives: The aim of this study was to evaluate diagnostic ability of deep learning models, particularly convolutional neural network models used for image classification, for femoroacetabular impingement (FAI) using hip radiographs. Materials and methods: Between January 2010 and December 2020, pelvic radiographs of a total of 516 patients (270 males, 246 females; mean age: 39.1 +/- 3.8 years; range, 20 to 78 years) with hip pain were retrospectively analyzed. Based on inclusion and exclusion criteria, a total of 888 hip radiographs (308 diagnosed with FAI and 508 considered normal) were evaluated using deep learning methods. Pre-trained VGG-16, ResNet-101, MobileNetV2, and Inceptionv3 models were used for transfer learning. Results: As assessed by performance measures such as accuracy, sensitivity, specificity, precision, F-1 score, and area under the curve (AUC), the VGG-16 model outperformed other pre-trained networks in diagnosing FAI. With the pre-trained VGG-16 model, the results showed 86.6% accuracy, 82.5% sensitivity, 89.6% specificity, 85.5% precision, 83.9% F1 score, and 0.92 AUC. Conclusion: In patients with suspected FAI, pelvic radiography is the first imaging method to be applied, and deep learning methods can help in the diagnosis of this syndrome.
Citation - WoS: 11
Citation - Scopus: 12
Diagnosis of Osteoarthritic Changes, Loss of Cervical Lordosis, and Disc Space Narrowing on Cervical Radiographs With Deep Learning Methods
(Turkish Joint Diseases Foundation, 2022) Tokdemir, Gul; Ureten, Kemal; Atalar, Ebru; Duran, Semra; Maras, Hakan; Maras, Yuksel
Objectives: In this study, we aimed to differentiate normal cervical graphs and graphs of diseases that cause mechanical neck pain by using deep convolutional neural networks (DCNN) technology. Materials and methods: In this retrospective study, the convolutional neural networks were used and transfer learning method was applied with the pre-trained VGG-16, VGG-19, Resnet-101, and DenseNet-201 networks. Our data set consisted of 161 normal lateral cervical radiographs and 170 lateral cervical radiographs with osteoarthritis and cervical degenerative disc disease. Results: We compared the performances of the classification models in terms of performance metrics such as accuracy,
Radyografik Olarak Tanı Konulabilen Diz Röntgenlerinin Derin Öğrenme ve Makine Öğrenmesi Yöntemleri ile Sınıflandırılması
(2025) Duran, Semra; Orhan, Kevser; Maras, Hadi Hakan; Atalar, Ebru; Maraş, Yüksel; Üreten, Kemal
Bu çalışmanın amacı, düz diz röntgenleriyle tanısı konulabilen diz osteoartriti, sinovyal kondromatozis, Osgood-Schlatter hastalığı, os fabella patolojileri ve normal diz radyografilerini derin öğrenme ve makine öğrenmesi yöntemleriyle sınıflandırmaktır. Bu çalışma 540 diz osteoartriti, 151 Osgood_Schlatter hastalığı, 191 diz kondromatozisi, 152 os fabella ve 523 normal diz röntgen görüntüsü üzerinde gerçekleştirildi. Öncelikle önceden eğitilmiş derin öğrenme modeli olan VGG-16 ağı ile sınıflandırma yapıldı. Daha sonra VGG-16 evrişim katmanı ile çıkarılan özellikler, rastgele orman, destek vektör makineleri, lojistik regresyon ve karar ağacı makine öğrenmesi algoritmalarıyla sınıflandırıldı. VGG-16 modeli ile %95,3 doğruluk, %95,1 duyarlılık, %98.7 özgüllük, %96,8 kesinlik ve %95,9 F1 skoru sonuçları elde edildi. VGG-16 evrişim katmanından çıkarılan özelliklerin makine öğrenmesi algoritmaları ile sınıflandırılmasında lojistik regresyon sınıflandırıcısı ile %98,2 doğruluk, %99,0 duyarlılık, %98.9 özgüllük, %98,2 kesinlik ve %98,5 F1 skoru sonuçları elde edilmiştir. Radyografik olarak tanısı konulabilen diz patolojilerinin sınıflandırılması amacıyla yapılan bu çalışmada, VGG-16 ağı ile başarılı sonuçlar elde edilmiştir. VGG-16 modeli evrişim katmanı üzerinden çıkarılan özellikler makine öğrenmesi algoritmaları ile yeniden sınıflandırılmış, lojistik regresyon, destek vektör makineleri ve rastgele orman sınıflandırıcıları ile VGG-16 modeline kıyasla performans metriklerinde iyileşmeler elde edilmiştir. Önerilen bu yöntemle, derin öğrenme modellerinin performansı daha da iyileştirilebilir.