EN
TÜRKÇE
Oral Presentation - 39
How to improve the image recognition when using medical images as data in artificial intelligence studies?
B Tokar*, Ö Çelik**, N Çetin***, T Abbasov****, İ Ak Sivrikoz*****
*Eskisehir Osmangazi University, Faculty of Medicine, Department of Pediatric Surgery, Division of Pediatric Urology, Eskisehir
**Eskisehir Osmangazi University Faculty of Arts and Sciences, Department of Mathematics-Computer, Eskisehir
***Eskişehir Osmangazi University, School of Medicine, Pediatric Nephrology
****Eskisehir Osmangazi University, School of Medicine, Department of Pediatric Surgery, Division of Pediatric Urology
*****Eskisehir Osmangazi University, Faculty of Medicine, Department of Nuclear Medicine, Eskisehir
Objective: As an artificial intelligence subtype, deep learning (DL) study may support clinical decision-making process by medical image recognition. This study aimed to obtain a better annotation and determine the accuracy of DL in kidney detection, side differentiation and detecting the empty and filled renal pelvis and calyxes (RPC). Methods: Labeling was performed on 1260 renal images in 29 frames of the diuretic renography in 36 children. All children had unilateral or bilateral hydronephrosis. The Tensor Flow Object Detection API was used to deploy object detection models. Sensitivity, precision, and F1 score were determined for the detection of the right or left kidney as an object. Supervised- training was applied for differentiation of filled and empty RPC. Results: In 1260 labeled renal images, the left or right kidney were detected with 94% sensitivity, 96% precision, and 95% F1 score. The number of the renal image labeled was 638 for filled RPC (group I) and 358 for empty RPC (group II). For training 300 images were selected from each group. The architecture was inceptionV3 in DL. For testing, 58 images were selected from each group and the accuracy was 88% for group I and 66% for group II. Conclusions: DL could differentiate the organ, its location, and a contrast-filled lumen with a relatively large number of labeled scans used for training. Low tissue contrast and unclear boundaries may affect the quality of annotation and the output. Clinicians should work together with other disciplines to develop efficient DL models for the real-world clinical environment.
Yapay zeka çalışmalarında medikal görselleri veri olarak kullanırken görüntü algılama nasıl geliştirilebilir?
B Tokar*, Ö Çelik**, N Çetin***, T Abbasov****, İ Ak Sivrikoz*****
*Eskişehir Osmangazi Üniversitesi Tıp Fakültesi, Çocuk Cerrahisi Anabilim Dalı, Çocuk Ürolojisi Bilim Dalı, Eskişehir
**Eskişehir Osmangazi Üniversitesi Fen Edebiyat Fakültesi, Matematik ve Bilgisayar Bölümü, Eskişehir
***Eskişehir Osmangazi Üniversitesi Tıp Fakültesi, Çocuk Hastalıkları Nefroloji Bilim Dalı
****Eskişehir Osmangazi Üniversitesi Tıp Fakültesi, Çocuk Cerrahisi Anabilim Dalı, Çocuk Ürolojisi Bilim Dalı
*****Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Nükleer Tıp AD
Amaç: Bir yapay zeka (YZ) alt türü olarak derin öğrenme yöntemi (DÖY), medikal görüntü tanıma ile klinik karar verme sürecini destekleyebilir. Bu çalışma da, YZ kullanılarak veri olarak kullanılan görüntünün algılama ve etiketlenmesini geliştirmek amacı ile diüretikli dinamik böbrek sintigrafisi (DDBS) kullanıldı. DÖY ile böbreği tanımlama, taraf belirleme, boş ve dolu renal pelvis ve kalikslerin (RPK) tespiti değerlendirildi. Yöntem: Hidronefroz nedeni ile değerlendirilen 36 çocukta DDBS incelemelerinin 29 karesinde 1260 böbrek görüntüsü üzerinde etiketleme yapıldı. Tüm çocukların tek veya iki taraflı hidronefrozu vardı. Görüntüde nesne algılama modelini geliştirmek için “Tensor Flow Object Detection API” kullanıldı. Sağ veya sol böbreğin nesne olarak saptanması için duyarlılık, kesinlik ve F1 skoru belirlendi. Dolu ve boş RPK ayrımı için denetimli eğitim (Supervised-Training) uygulandı. Bulgular: 1260 etiketli böbrek görüntüsünde, sol veya sağ böbrek %94 duyarlılık, %96 kesinlik ve %95 F1 skoru ile tespit edildi. İşaretli renal görüntü sayısı dolu RPK (grup I) için 638 ve boş RPC (grup II) için 358 idi. Eğitim için her gruptan 300 görüntü seçildi. Model yapısı, DÖY ile “inceptionV3” idi. Test için her gruptan 58 görüntü seçildi ve doğruluk grup I için %88 ve grup II için %66 idi. Sonuç: DÖL, eğitim için kullanılan çok sayıda etiketli tarama ile organı, yerini ve kontrast dolu bir lümeni ayırt edebilir. Görüntüdeki düşük doku kontrastı ve net olmayan sınırlar, etiketleme ve çıktının güvenilirliğini etkileyebilir. YZ çalışmalarının medikal görsellere uygulanması ve etkin DÖY modelleri geliştirmek için daha kaliteli nesne tespit ve etiketleme yöntemlerini geliştirmek ve diğer disiplinlerle birlikte çalışılması gerekir.