Analysis of Developmental Hip Dysplasia According To Graph in Ultrasonographic Imaging With Deep Learning Techniques

Abstract

Amaç: Bu çalışmada, Gelişimsel Kalça Displazisi tanısında kullanılan ultrasonografik Graf yöntemi verilerinin derin öğrenme teknikleri kullanılarak analiz edilmesi amaçlanmıştır. Gereç ve Yöntem: Ocak 2018-Eylül 2021 tarihleri arasında kalça ultrasonografisi yapılan, normal ve kalça çıkığı saptanan hastalar retrospektif olarak taranmıştır. 450 kadın ve 487 erkek olmak üzere toplam 947 hasta görüntüleri incelenmiştir. Graf yöntemine göre görüntü üzerinden işaretleme yapılmadan normal-çıkık kalça şeklinde 2 sınıf ve α açısına göre Graf yöntemi 4 sınıf şeklinde sınıflandırma yapılarak iki ayrı çalışma grubu oluşturuldu. Sınıflandırma yapılırken güncel derin öğrenme modellerinden EfficientNet modelinin 3 versiyonu kullanılmıştır. Bu modeller kullanılarak görüntülerden özellik çıkarımı gerçekleşmiş, çıkarılan derin özellikler makine öğrenmesi sınıflandırma algoritmaları yardımıyla sınıflandırılmıştır. Çıkarılan özellikler üzerinden en etkili özelliklerin çıkarılması için Temel Bileşenler Analizi kullanılarak özellik seçimi yapılmıştır. Bulgular: Derin öğrenme modelleri ile sınıflandırma aşamasında 1. grupta 2 sınıf için EfficientNetB1 modeli ile 0.9577 doğruluk değeri elde edilirken, 2. Grupta 4 sınıf için EfficientNetB0 modeli ile 0.8571 doğruluk değeri elde edilmiştir. Derin özellik çıkarımı yapıldıktan sonra sınıflandırıcılar ile elde edilen en yüksek doğruluk oranı 1. grupta EfficientNetB1 ile 0.99 iken, 2. grupta EfficientB0 ile 0.97 değeri elde edilmiştir. Sonuç: Gelişimsel Kalça Displazisi teşhisinde kullanılan Graf yöntemine göre ultrason bulgularınının derin öğrenme yöntemleriyle değerledirilmesi teşhis kolaylılığı sağlayarak radyoloji hekiminin iş yükünü önemli ölçüde azaltabilir.Objective: In this study, it was aimed to analyze the ultrasonographic Graf method data used in the diagnosis of Developmental Dysplasia of the Hip by using deep learning techniques. Material and Method: Patients who underwent Hip Ultrasonography between January 2018 and September 2021 and who were found to be normal and with hip dislocation were retrospectively screened. A total of 937 patient images, 450 women and 487 men, were examined. Two different study groups were formed by classifying the Graf method as 2 classes in the form of normal-dislocated hip without marking on the image according to the Graf method and 4 classes according to the Graf method. While classifying, 3 versions of EfficientNet model, one of the current deep learning models, were used. By using these models, feature extraction was performed from the images, and the extracted deep features were classified with the help of machine learning classification algorithms. Feature selection was made using Principal Components Analysis to extract the most effective features from the extracted features. Result: In the classification phase with deep learning models, an accuracy value of 0.9577 was obtained with the EfficientNetB1 model for 2 classes in the 1st group, while an accuracy value of 0.8571 was obtained with the EfficientNetB0 model for 4 classes in the 2nd group. After deep feature extraction, the highest accuracy rate obtained with the classifiers was 0.99 with EfficientNetB1 in the 1st group, while 0.97 in the 2nd group with EfficientB0. Conclusion: According to the Graf method used in the diagnosis of Developmental Hip Dysplasia, the evaluation of ultrasound findings with deep learning methods can significantly reduce the workload of the radiologist by providing ease of diagnosis.