Analyzing the Performance of Convolutional Neural Networks and Transformer Models in Automated Bone Fracture Detection

Bingol, EceDemirel, SemihDemirel, SemihUrfalı, AtaberkUrfalı, AtaberkBozkır, Ömer FarukKaratas, Hakan2025-06-052025-06-0520242147-79302149-645510.18586/msufbd.1440119https://doi.org/10.18586/msufbd.1440119https://search.trdizin.gov.tr/en/yayin/detay/1292449/analyzing-the-performance-of-convolutional-neural-networks-and-transformer-models-in-automated-bone-fracture-detectionhttps://hdl.handle.net/20.500.14411/10617İnsan varlığı için hayati önem taşıyan iskelet ve kas sisteminin en önemli bileşeni kemiklerdir. Bir kemiğin kırılması belirli bir darbeden veya şiddetli bir geriye doğru hareketten kaynaklanabilir. Bu çalışmada, kemik kırığı tespiti, evrişimli sinir ağı (ESA) tabanlı modeller olan Faster R-CNN ve RetinaNet, ayrıca bir transformer tabanlı model olan DETR (Detection Transformer) kullanılarak gerçekleştirilmiştir. Her model için farklı omurga ağları kullanılarak detaylı bir inceleme yapılmıştır. Bu çalışmanın birincil katkıları, CNN ve transformatör tasarımları arasındaki performans farklılıklarının yöntemsel bir değerlendirmesidir. 5145 görüntüden oluşan açık kaynaklı bir veri setinde eğitilen modeller, 750 test görüntüsünde test edilmiştir. Sonuçlara göre, RetinaNet/ResNet101 modeli diğer modellere göre daha üstün performans sergileyerek 0.901 mAP50 oranına ulaşmıştır. Elde edilen sonuçlar, eğitilen modellerin bilgisayar destekli tanı (BDT) sistemlerinde kullanılabilecek vaat edici sonuçlar sunmaktadır.eninfo:eu-repo/semantics/openAccessAnalyzing the Performance of Convolutional Neural Networks and Transformer Models in Automated Bone Fracture DetectionOtomatik Kemik Kırığı Tespitinde Evrişimsel Sinir Ağları ve Transformer Modellerinin Performansının AnaliziArticleN/AN/A12264711292449