BACKGROUND: Patients with hand trauma are usually examined in emergency departments of hospitals. Hand fractures are frequently observed in patients with hand trauma. Here, we aim to develop a computer-aided diagnosis (CAD) method to assist physicians in the diagnosis of hand fractures using deep learning methods.
METHODS: In this study, Convolutional Neural Networks (CNN) were used and the transfer learning method was applied. There were 275 fractured wrists, 257 fractured phalanx, and 270 normal hand radiographs in the raw dataset. CNN, a deep learning method, were used in this study. In order to increase the performance of the model, transfer learning was applied with the pre-trained VGG-16, GoogLeNet, and ResNet-50 networks.
RESULTS: The accuracy, sensitivity, specificity, and precision results in Group 1 (wrist fracture and normal hand) dataset were 93.3%, 96.8%, 90.3%, and 89.7%, respectively, with VGG-16, were 88.9%, 94.9%, 84.2%, and 82.4%, respectively, with Resnet-50, and were 88.1%, 90.6%, 85.9%, and 85.3%, respectively, with GoogLeNet. The accuracy, sensitivity, specificity, and precision results in Group 2 (phalanx fracture and normal hand) dataset were 84.0%, 84.1%, 83.8%, and 82.8%, respectively, with VGG-16, were 79.4%, 78.5%, 80.3%, and 79.7%, respectively, with Resnet-50, and were 81.7%, 81.3%, 82.1%, and 81.3%, respectively, with GoogLeNet.
CONCLUSION: We achieved promising results in this CAD method, which we developed by applying methods such as transfer learning, data augmentation, which are state-of-the-art practices in deep learning applications. This CAD method can assist physicians working in the emergency departments of small hospitals when interpreting hand radiographs, especially when it is difficult to reach qualified colleagues, such as night shifts and weekends.
AMAÇ: El travması olan hastalar genellikle hastanelerin acil servislerinde muayene edilir. El travmalarında el kemik kırıkları sıklıkla görülür. Bu çalışmada, derin öğrenme yöntemlerini kullanarak el kırıklarının tanısında hekimlere yardımcı olmak için bilgisayar destekli bir yöntem geliştirmeyi hedefledik.
GEREÇ VE YÖNTEM: Bu çalışmada, konvolüsyonel sinir ağları kullanılmış ve öğrenme transferi yöntemi uygulanmıştır. Veri kümesinde 275 el bilek kırığı, 257 falanks kırığı ve 270 normal el radyografisi vardı. Bu çalışmada derin öğrenme yöntemi olan konvolüsyonel sinir ağları kullanılmıştır. Modelin performansını artırmak için önceden eğitilmiş VGG-16, GoogLeNet ve ResNet-50 ağları ile öğrenme transferi uygulanmıştır.
BULGULAR: Grup 1 (el bilek kırığı ve normal el) veri setindeki doğruluk, duyarlılık, özgüllük ve kesinlik sonuçları VGG-16 ile sırasıyla %93.3, %96.8, %90.3 ve %89.7, ResNet-50 ile sırasıyla %88.9, %94.9, %84.2 ve %82.4 ve GoogLeNet ile sırasıyla %88.1, %90.6, %85.9 ve %85.3 idi. Grup 2 (falanks kırığı & normal el) veri setindeki doğruluk, duyarlılık, özgüllük ve kesinlik sonuçları, VGG-16 ile sırasıyla %84.0, %84.1, %83.8 ve %82.8, Resnet-50 ile sırasıyla %79.4, %78.5, %80.3 ve %79.7 ve GoogLeNet ile sırasıyla %81.7, %81.3, %82.1 ve %81.3 idi.
TARTIŞMA: Derin öğrenme uygulamalarında son teknoloji uygulamalar olan transfer öğrenme, veri artırma gibi yöntemler uygulayarak geliştirdiğimiz bu bilgisayar destekli tanı yönteminde umut verici sonuçlar elde ettik. Bu bilgisayar destekli tanı yöntemi, el radyografilerini yorumlarken, özellikle gece vardiyaları ve hafta sonları gibi uzman meslektaşlara ulaşmak zor olduğunda, küçük hastanelerin acil servislerinde çalışan hekimlere yardımcı olabilir.