Quick Search
Detection and classification of femoral neck fractures from plain pelvic X-rays with deep learning and machine learning methods
Hüseyin Fatih Sevinç1, Kemal Üreten2, Talha Karadeniz2, Gokhan Koray Gultekin31Department Of Orthopedics And Traumatology, Versa Hospital, Kapadokya University, Nevşehir, Turkey2Department Of Computer Engineering, Çankaya University, Ankara, Turkey
3Department Of Electrical And Electronics Engineering, Yıldırım Beyazıt University, Ankara, Turkey
Background
Femoral neck fractures are a serious health problem especially in the elderly. The aim of this study is to diagnose and classify femoral neck fractures from plain pelvic X-rays using deep learning and machine learning algorithms and to compare the performances of these methods.
Methods
The study was conducted on a total of 598 plain pelvic X-ray images of 296 patients with femoral neck fractures and 302 individuals without femoral neck fractures. Firstly, transfer learning method was applied with pre-trained deep learning models VGG-16, ResNet-50 and MobileNetv2 networks.
Results
Pre-trained VGG-16 network showed slightly beter performance than ResNet-50 and MobileNetv2 networks for femoral neckfracture detection and classification. With the VGG-16 network, 95.6% accuracy, 95.5% sensitivity, 93.3% specificity, 95.7% precision, 95.5% F1 score, 0.91 Cohen’s kappa and 0.99 roccurve results were obtained. Then, the features extracted from the VGG-16 convolution layer were classified with widely used machine learning algorithms. The k-nearest neighbor (k-NN) algorithm out performed other machine learning algorithms, k-NN out performed the VGG-16 model by 1% in terms of accuracy.
Conclusion
Successful results were obtained with deep learning and machine learning methods in the detection and classification of femoral neck fractures. The model can be improved with multi-centerstudies. The proposed model may be useful especially for physicians working in emergency departments and physicians who do not have sufficient experience in evaluating plain pelvic radiographs.
Derin öğrenme ve makine öğrenmesi yöntemleriyle düz pelvis röntgenlerinden femur boyun kırıklarının tespiti ve sınıflandırılması
Hüseyin Fatih Sevinç1, Kemal Üreten2, Talha Karadeniz2, Gokhan Koray Gultekin31Versa Hastanesi, Ortopedi Ve Travmatoloji Bölümü, Kapadokya Üniversitesi, Nevşehir2Çankaya Üniversitesi Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Ankara
3Yıldırım Beyazıt Üniversitesi Mühendislik Fakültesi, Elektrik Ve Elektronik Bölümü, Ankara
Amaç
Femur boyun kırıkları özellikle yaşlılarda ciddi bir sağlık sorunudur. Bu çalışmanın amacı, düz pelvis röntgenlerinden femur boyun kırıklarını derin öğrenme ve makine öğrenmesi algoritmalarıyla teşhis etmek, sınıflandırmak ve bu yöntemlerin performanslarını karşılaştırmaktır.
Gereç ve Yöntem
Çalışma, femur boyun kırığı olan 296 hastaya ve femur boyun kırığı olmayan 302 kişiye ait toplam 598 düz pelvis röntgen görüntüsü üzerinde yürütülmüştür. Öncelikle, önceden eğitilmiş derin öğrenme modelleri olan VGG-16, ResNet-50 ve MobileNetv2 ağları ile transfer öğrenme yöntemi uygulandı.
Bulgular
Femur boyun kırığı tespiti ve sınıflandırması için önceden eğitilmiş VGG-16 ağı, ResNet-50 ve MobileNetv2 ağlarına göre biraz daha iyi performans göstermiştir. VGG-16 ağı ile %95,6 doğruluk, %95,5 duyarlılık, %93,3 özgüllük, %95,7 kesinlik, %95,5 F1 skoru, 0,91 Cohen’s kappa ve 0,99 roccurve sonuçları elde edilmiştir. Daha sonra, VGG-16 evrişim katmanından çıkarılan öznitelikler, yaygın olarak kullanılan makine öğrenmesi algoritmaları ile yeniden sınıflandırıldı. K-en yakın komşuluk (k-NN) algoritması, diğer makine öğrenmesi algoritmalarından daha iyi performans göstermiştir, k-NN, doğruluk açısından VGG-16 modelinden %1 daha iyi performans göstermiştir.
Sonuç
Femur boyun kırıklarının tespiti ve sınıflandırılmasında derin öğrenme ve makine öğrenmesi yöntemleri ile başarılı sonuçlar elde edilmiştir. Model, çok merkezli çalışmalarla geliştirilebilir. Önerilen model, özellikle acil servislerde çalışan hekimler ve düz pelvis radyografilerini değerlendirmede yeterli deneyime sahip olmayan hekimler için yararlı olabilir.
Manuscript Language: English