Yazar "Kaya, Davut" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Acil servise başvuran toraks travmalı hastaların yapay zeka ile bilgisayarlı tomografilerinin değerlendirilmesi
    (İnönü Üniversitesi, 2022) Kaya, Davut
    Amaç: Travma sonrası akciğer kanamaları ve sönmeleri, ciddi mortalite ve morbiditeye sahip patolojilerdir. Bu hastaların acil servis ve diğer sağlık birimlerinde zamanında ve doğrulukla tespiti, hastanın mortalitesi ile yakından ilişkilidir. Bu çalışmadaki amaç; toraks travması sonrası akciğer kanamalı ve pnömotoraksı olan hastalarda, tanı koyma süresinden ve iş gücünden tasarruf etmek ve hekim kaynaklı bilgisayarlı toraks tomografisi (BTT) yorumlama hatalarını minumuma indirmeye çalışmaktır. Çalışmamızda; normal, kanama ve pnömotorakslı toraks tomografi görüntüleri, yapay zeka programları tarafından yorumlatılmaya çalışılmıştır. Tomografi görüntülerinin yapay zeka programlarına tanıltılnası ve yapay zeka ile yorumlanması; hem radyoloğun iş yükünü azaltacak, hem de tomografi görüntüsünün yorumlanmasına kadar geçen sürenin kısaltılmasına fayda sağlayacaktır. Metod: Çalışmamızda; İnönü Üniversitesi Turgut Özal Tıp Merkezi'nde 2012- 2022 yılları arasında çekilmiş ve hastane bilgi sistemi SECTRA'da yüklü olan toraks tomografileri; yaş, cinsiyet,ırk gibi dışlama kriterleri olmadan retrospektif olarak değerlendirmeye alınmıştır. Tomografi görüntülerine hastanemizin görüntüleme sistemi (SECTRA) üzerinden ulaşılmıştır. Doğruluk kriteri ise hastanın sistemde mevcut olan radyolog tarafından yazılmış tomografi raporları veya mevcut tomografi raporu yazılmamış görüntüler için ise radyoloji sözel görüşleri olarak belirlenmiştir. Bulgular: Bu çalışmada yoğun hareket artefaktlı, cilt altı amfizemi olan toraks tomografileri dışlanarak seçilmiş olan 213 toraks tomografisi çalışılmıştır. Aynı zamanda seçilen tomografi görüntüleri hemotoraks, pnomotoraks, kontüzyon ve normal görüntü olarak çalışılmıştır. 67 normal BTT, 44 hemotoraks BTT, 35 kontüzyonlu BTT ve 67 pnömotorakslı BTT çalışmaya dahil edilmiştir. Sonuç: Mevcut verilerle yapay zekanın toraks tomografilerinde kanama ve pnömotoraks saptama yeteneği olumlu tespit edilmiştir ve yakın gelecekte pratikte sıkça kullanılmasını beklemekteyiz. Mevcut programlar acil hekiminin hızlı ve doğru tanı koymasına yardımcı olacak, hata payını en aza indirecek ve radyoloğun iş yükünü azaltacaktır. Bu sonuçlar, bu çalışmada elde edilen verilere göre desteklenmiştir. Yakın gelecekte bu tür çalışmalar neticesinde yapay zekanın rolünü sağlık alanında daha efektif ve daha sık göreceğizdir.
  • Küçük Resim Yok
    Öğe
    Swin-PHOG-LPQ: An accurate computed tomography images classification model using Swin architecture with handcrafted features
    (Elsevier Sci Ltd, 2023) Kaya, Davut; Gurbuz, Sukru; Yildirim, Okan; Akbal, Erhan; Dogan, Sengul; Tuncer, Turker
    Background and aim: Computed tomography (CT) image classification has been the subject of intense research in the area of biomedical image classification with the objective of developing intelligent disorder detection models. In this paper, we aim to detect three disorders in lung CT images: hemothorax, contusion, and pneumothorax. Deep learning models are particularly effective for computer vision tasks. Thus our second goal is to propose a new hand-modeled image classification model that achieves high performance using the shifted windows (swin) architecture.Materials and Methods: We collected a new lung CT image dataset containing four classes - hemothorax, contusion, pneumothorax, and control - with 2730 CT images. Our proposed swin architecture-based CT image classification model is designed to extract features from patches using the Pyramidal histogram-oriented gradient (PHOG) and local phase quantization (LPQ) methods for directional and textural features. We utilized an iterative neighborhood component analysis (INCA) feature selector for feature selection and classified the chosen features using the k-nearest neighbors (kNN) classifier with 10-fold cross-validation. Finally, majority voting was employed to obtain the final classification.Results: Our proposed Swin-PHOG-LPQ achieved a classification accuracy of 95.53%. We also evaluated our model on two publicly available CT image datasets and achieved classification accuracies of 95.31% and 97.63%, respectively.Conclusion: The high classification accuracies obtained by our proposed Swin-PHOG-LPQ model demonstrate its efficacy in detecting the three disorders in lung CT images.