Tıbbi Görüntülerde Skolyoz Sınıflandırması: Transfer Öğrenme Destekli DVM Yaklaşımı

Abstract

Bu çalışmada, omurganın önden ve arkadan çekilmiş röntgen görüntülerinden skolyozun otomatik olarak sınıflandırılmasına yönelik üç farklı makine öğrenmesi yaklaşımı değerlendirilmiştir. Bunlardan ilki, DenseNet201 derin öğrenme mimarisi ile doğrudan sınıflandırma; ikincisi transfer öğrenme ile çıkarılan derin özniteliklerin Destek Vektör Makinesi (DVM) ile sınıflandırıldığı hibrit yapı; üçüncüsü de sadece DVM’dir. Model performansını artırmak için IMADJUST (Image Intensity Adjustment – Yoğunluk Aralığını Yeniden Ölçeklendirme) görüntü önişleme yöntemi kullanılmıştır. DVM uygulamalarında, literatürde yeni olan Logaritmik Çekirdek Fonksiyonu (Logarithmic Kernel Function – LKF) da dahil olmak üzere farklı çekirdek fonksiyonları (Doğrusal, RBF, ANOVA, vb.) kullanılmış ve hiper parametre optimizasyonu yapılmıştır. Yöntemler doğruluk, F1 skoru, duyarlılık, kesinlik, eğitim süresi gibi performans ölçütleri üzerinden karşılaştırılmıştır. Deneysel sonuçların yorumlanması için boyut küçültme yöntemleri kullanılarak (tSNE, UMAP) örneklerin orijinal vektörleri ve derin öğrenme ile elde edilen özellik vektörleri görsellenmiştir. Derin öğrenme ile elde edilen vektörlerde nonlineer yapının kaybolduğu, sınıfların basit şekilde ayrılabilecek kadar farklı konumda gruplandığı görülmektedir. Sonuçlar, transfer öğrenmenin ham verilerle %100 doğruluk sağladığını göstermiştir. Hibrit modeller, DVM’ye göre daha yüksek doğruluk, transfer öğrenmeye göre ise çok daha kısa işlem süresi sunmuştur. Özellikle ANOVA, LKF ve Doğrusal çekirdeklerle çalışan hibrit modellerin %97–100 doğruluk aralığında ve 2–5 saniye arasında sınıflandırma gerçekleştirdiği gözlenmiştir. Bu bulgular, hibrit yaklaşımın doğruluk, hız ve genelleme performansı açısından skolyoz sınıflandırması için etkili bir çözüm sunduğunu göstermektedir.

In this study, three different machine learning approaches were evaluated for the automatic classification of scoliosis from anterior and posterior spinal X-ray images. The first approach involves direct classification using the DenseNet201 deep learning architecture; the second is a hybrid model where deep features extracted via transfer learning are classified using a Support Vector Machine (SVM); and the third approach uses only the SVM for classification. To enhance model performance, the IMADJUST (Image Intensity Adjustment – Rescaling of Intensity Range) image preprocessing technique was applied. In the SVM-based models, various kernel functions—including the Logarithmic Kernel Function (LKF), which is relatively new in the literature, as well as Linear, RBF, and ANOVA kernels—were utilized, and hyperparameter optimization was performed. The methods were compared based on several performance metrics such as accuracy, F1-score, recall, precision, and training time. For interpreting the experimental results, dimensionality reduction techniques (tSNE and UMAP) were used to visualize both the original feature vectors and the deep feature vectors obtained through deep learning. The results showed that nonlinear structures disappeared in the deep feature vectors, and the classes were grouped in distinctly separable positions. The findings revealed that transfer learning achieved 100% accuracy when applied to raw data. Hybrid models outperformed pure SVM in terms of accuracy and were significantly faster than transfer learning. Notably, hybrid models using ANOVA, LKF, and Linear kernels achieved classification accuracies between 97% and 100% within 2 to 5 seconds. These results demonstrate that the hybrid approach offers an effective solution for scoliosis classification in terms of accuracy, speed, and generalization capability.