Dual enerji x-ışını absorbsiyometri ve lomber grafi görüntülerinin derin öğrenme ile karşılaştırılması: Osteoporoz tanısında yeni bir yaklaşım

---

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Sivas Cumhuriyet Üniversitesi, Tıp Fakültesi, Dahili Tıp Bilimleri Bölümü, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: DENİZ APALAN

Danışman: Bülent Yıldız

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu araştırmanın amacı, osteopeni ve osteoporoz tanısında DEXA taramalarının yerini alabilecek potansiyel bir yöntem olarak lomber grafi görüntülerinin derin öğrenme teknikleriyle analiz edilmesinin etkinliğini değerlendirmektir. Çalışmamız kapsamında Sivas Cumhuriyet Üniversitesi Tıp Fakültesi Hastanesi Radyoloji Kliniği görüntü arşivleme ve iletişim sistemi (PACS) üzerinden 18.11.2020 ve 30.11.2023 tarihleri arasında herhangi bir nedenle üç aylık süre içerisinde DEXA ile lomber vertebra grafisi çekilen hastaların görüntüleri retrospektif olarak incelendi. Çalışma grubunu 20-95 yaş arasında 902'si kadın, 137'si erkek olmak üzere 1039 hasta oluşturdu. DEXA çekimi yapılan postmenopozal kadınlar ve 50 yaş üstü erkeklerde T-skoru, 50 yaş altı premenopozal kadın ve 50 yaş altı erkek hastada Z-skoru kullanıldı. Son üç ay içerisinde çekilen lomber grafi görüntüleri toplandı ve skor sonuçlarına göre normal, osteopeni ve osteoporoz olmak üzere üç sınıfa ayrılarak değerlendirme yapıldı. Özellik çıkarımı için beş farklı önceden eğitilmiş transfer öğrenme modeli kullanıldı. Sınıflandırmada kullanılan hiperparametreler Gri Kurt Optimizasyon (GKO) algoritması ile optimize edildi. Çok sınıflı ve ikili sınıflandırma yapılarak modeller uygulandı. Çok sınıflı senaryoda, DenseNet169 modeli en yüksek test AUC değerine (0.81) ulaşarak en iyi performansı göstermiştir. Xception modeli (AUC = 0.90) normal ve osteopeniyi ayırt etmede en yüksek başarıyı elde ederken, InceptionResNetV2 modeli (doğruluk = %90.08) normal ve osteoporozu ayırt etmede en yüksek başarıya ulaşmıştır. Sonuçlar, transfer öğrenme modelleri ve metasezgisel optimizasyonun bir arada kullanımı sayesinde kemik mineral yoğunluğu sınıflandırmasında yüksek doğruluk elde edilebileceğini göstermektedir.