Humerus'un distal ucundan elde edilen parametrelerle makine öğrenme algoritmaları kullanılarak cinsiyet tahmini
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İzmir Bakırçay Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Patlama, savaş, uçak kazaları gibi olaylardan sonra kimliklendirme çalışmalarında yumuşak doku kaybı ve vücut bütünlüğü deforme olduğu için kimlik tespiti yapabilmek güçtür. Bu gibi durumlarda ilk olarak cinsiyet tayini yapılması olası kimlikleri %50 oranında azaltmaktadır. Bu çalışma humerus distal ucundan elde edilen veriler ile makine öğrenme algoritmaları kullanılarak güvenilir ve yüksek doğrulukta cinsiyet tahmini oranı elde etmek amacıyla yapıldı. Çalışma İzmir Bakırçay Üniversitesi Çiğli Eğitim ve Araştırma Hastanesi'ne çeşitli sebepler ile başvuran 18-65 yaş aralığındaki 155 kadın, 155 erkek bireye ait Bilgisayarlı Tomografi Anjiyografi görüntüleri üzerinden gerçekleştirildi. Görüntüler üzerinden epikondiller arası genişlik (EAG), eklem yüzeyi genişliği (EYG), fossa olecrani genişliği (FOG), fossa radialis genişliği (FRG), fossa coronoidea genişliği (FCG), capitulum humeri genişliği (CHG), trochlea humeri genişliği (THG), fossa radialis derinliği (FRD), fossa coronoidea derinliği (FCD), capitulum humeri uzunluğu (CHU), trochlea humeri'nin uzunluğu (THU), fossa olecrani'nin proksimal kenarı ile trochlea humeri'nin en proksimal noktası arasındaki mesafe (OPTP), trochlea humeri'nin en distal noktaları arasındaki mesafe (TDD) şeklinde belirlenen parametrelerin ölçümleri gerçekleştirildi. Excel dosyasına aktarılan bu veriler makine öğrenmenin giriş katmanını oluşturdu, çıkış katmanı ise cinsiyet olarak belirlendi. Çalışmamız sonucunda makine öğrenme algoritmaları kullanılarak %87-97 arasında doğruluk elde edildi. Günümüz teknolojilerine ayak uydurarak yapay zekânın çalışmaya dahil edilmesi ile bu çalışmanın gelecekte yapılacak olan çalışmalara yol göstereceği kanaatindeyiz.
After incidents such as explosions, war, airplane crashes, etc., identification is difficult due to soft tissue loss and deformed body integrity. In such cases, first sex determination reduces the possible identifications by 50%. This study was conducted to obtain a reliable and highly accurate gender prediction rate using machine learning algorithms with data obtained from the distal end of the humerus. The study was performed on Computed Tomography angiography images of 155 female and 155 male individuals aged 18-65 years who were admitted to İzmir Bakırçay University Çiğli Training and Research Hospital for various reasons. Inter-epicondylar width (IEW), articular surface width (ASW), fossa olecrani width (FOW), fossa radialis width (FRW), fossa coronoidea width (FCW), capitulum humeri width (CHW), trochlea humeri width (THW), fossa radialis depth (FRD), fossa coronoidea depth (FCD), The following parameters were measured: length of the capitulum humeri (CHL), length of the trochlea humeri (THL), distance between the proximal edge of the fossa olecrani and the most proximal point of the trochlea humeri (OPTP), distance between the most distal points of the trochlea humeri (TDD). These data transferred to an Excel file formed the input layer of machine learning, and the output layer was determined as gender. As a result of our study, 87-97% accuracy was achieved using machine learning algorithms. We believe that this study will guide future studies with the inclusion of artificial intelligence in the study by keeping up with today's technologies.
After incidents such as explosions, war, airplane crashes, etc., identification is difficult due to soft tissue loss and deformed body integrity. In such cases, first sex determination reduces the possible identifications by 50%. This study was conducted to obtain a reliable and highly accurate gender prediction rate using machine learning algorithms with data obtained from the distal end of the humerus. The study was performed on Computed Tomography angiography images of 155 female and 155 male individuals aged 18-65 years who were admitted to İzmir Bakırçay University Çiğli Training and Research Hospital for various reasons. Inter-epicondylar width (IEW), articular surface width (ASW), fossa olecrani width (FOW), fossa radialis width (FRW), fossa coronoidea width (FCW), capitulum humeri width (CHW), trochlea humeri width (THW), fossa radialis depth (FRD), fossa coronoidea depth (FCD), The following parameters were measured: length of the capitulum humeri (CHL), length of the trochlea humeri (THL), distance between the proximal edge of the fossa olecrani and the most proximal point of the trochlea humeri (OPTP), distance between the most distal points of the trochlea humeri (TDD). These data transferred to an Excel file formed the input layer of machine learning, and the output layer was determined as gender. As a result of our study, 87-97% accuracy was achieved using machine learning algorithms. We believe that this study will guide future studies with the inclusion of artificial intelligence in the study by keeping up with today's technologies.
Açıklama
Anahtar Kelimeler
Anatomi, Anatomy
