Abstract
<jats:p xml:lang="tr">İnsan vücudunda meydana gelen kemik kırıkları genellikle röntgen görüntüleri kullanılarak teşhis edilmektedir. Özellikle acil servislerde karşılaşılan kırık vakaları hızlı teşhis ve zamanında müdahale gerektirdiğinden bu sürecin otomatikleştirilmesi büyük önem taşımaktadır. Uzmanlar tarafından manuel olarak gerçekleştirilen kırık tespiti zaman alıcı bir süreçtir. Bu nedenle otomatik teşhis sistemleri erken müdahale ve sağlık hizmetlerinin etkinliğini artırma açısından kritik bir potansiyele sahiptir. Bu çalışmada röntgen görüntülerinden kemik kırıklarının sınıflandırılmasına yönelik derin öğrenme tabanlı yöntemler kullanılarak kapsamlı bir değerlendirme gerçekleştirilmiştir. Farklı veri setleri üzerinde yapılan deneysel çalışmalar sonucunda EfficientNet-B7 derin öğrenme mimarisinin kemik kırığı sınıflandırma görevinde diğer modellere göre daha yüksek performans sergilediği gözlemlenmiştir. Model performansını artırmak amacıyla olasılık temelli bir hiperparametre optimizasyon yaklaşımı olan Bayes optimizasyonu uygulanmış ve öğrenme oranı ile momentum değerleri otomatik olarak ayarlanmıştır. Optimizasyon sonrası modelin F1 performans ölçütü 0.89 değerine ulaşmıştır. Ayrıca modelin karar verme sürecini analiz edebilmek ve açıklanabilirliğini artırmak amacıyla gradyan tabanlı sınıf aktivasyon haritalama yöntemi uygulanmıştır. Elde edilen görselleştirmeler modelin kırık bölgelerine doğru biçimde odaklandığını göstermiştir. Sonuçlar derin öğrenme temelli otomatik kırık tespit sistemlerinin güvenilirliğini ve klinik uygulamalardaki potansiyelini ortaya koymaktadır.</jats:p>