Foramen magnum ve condylus occipitalis'in bilgisayarlı tomografi görüntüleri kullanılarak makine öğrenme algoritmalarıyla yaşa ve cinsiyete göre değerlendirilmesi

Basit Öğe Kaydı
dc.contributor.advisorÇolakoğlu, Serdar
dc.contributor.authorYenigül, Hatice
dc.date.accessioned2026-07-01T11:25:54Z
dc.date.available2026-07-01T11:25:54Z
dc.date.issued2025
dc.departmentDÜ, Lisansüstü Eğitim Enstitüsü, Anatomi Anabilim Dalı
dc.description.abstractKimlik tespiti çalışmalarında cinsiyet ve yaşın belirlenmesi önemli demografik değişkenlerdir. Cranium ile pelvis cinsiyet ve yaş tahmini çalışmalarında incelenen en dimorfik anatomik yapılardır. Ancak cranium ve pelvisin incelenmesi zor olduğu durumlarda insan iskeletine ait çeşitli anatomik yapılar da cinsiyet ve yaş tahmini çalışmalarında incelenmiştir. Çalışmamızda, sağlam anatomik yapısını koruyabilen foramen (for.) magnum ve condylus occipitalis'in verileri kullanılarak makine öğrenme yöntemleri ile cinsiyet ve yaş tahmininde kullanılabilirliği araştırıldı. Çalışmamızda yaş ortalaması 44,37 olan 400 sağlıklı bireyin (200 erkek, 200 kadın) cranium'una ait Bilgisayarlı Tomografi (BT) görüntüleri retrospektif olarak incelendi. For. magnum ve condylus occipitalis'in ölçüm verileri makine öğrenme yöntemleri ile analiz edildi. Çalışmamızda kulanılan makine öğrenme algoritmaları şunlardır: Ekstra Ağaçlar Sınıflandırması (EAS), Rastgele Orman (RO), Karar Ağacı (KA), Doğrusal Diskriminant Analizi (DDA), Kuadratik Diskriminant Analizi (KDA), Lojistik Regresyon (LR), K-En Yakın Komşular Regresyonu (K-EYKR) ve Gaussian Naive Bayes (GNB). LR algoritması ile cinsiyet tahmininde en yüksek doğruluk oranı %84 tespit edildi. Çalışmamızda maksimum intercondiler uzaklık parametresinin cinsiyet tahmininde en yüksek etkiye sahip olduğu belirlendi. Yaş gruplarına (20-29, 30-39, 40-49, 50-59 ve 60 69) göre yapılan analiz sonucunda GNB algoritmasında %30 doğruluk oranı tespit edildi. Ayrıca 50–59 ve 60–69 yaş grupları kullanılmayarak makine öğrenme yöntemleri ile yaşa göre analiz gerçekleştirildi. En yüksek doğruluk oranı KA algoritmasında %42 elde edildi. Yaş gruplarına göre tahminde sağ condylus occipitalis'in genişliği parametresi en yüksek etkiye sahip olduğu belirlendi. For. magnum ve condylus occipitalis'in cinsiyet tahmini amacıyla makine öğrenme yöntemleri kullanılarak yapılan analiz sonucunda cinsiyet ayrımında belirleyici anatomik yapılar olduğu tespit edildi. Bu bağlamda cinsiyet tahmini çalışmalarında makine öğrenme yöntemlerinin kullanılmasının daha hızlı ve güvenilir sonuçların tespit edilmesini sağlayacağı düşüncesindeyiz. Böylelikle kimlik tespiti aşamalarında en önemli dimorfik değişkenin daha hızlı belirlenmesinin adli tıp ve adli antropoloji alanlarına önemli katkılar sağlayabileceği düşüncesindeyiz. Anahtar Sözcükler: Foramen Magnum, Condylus Occipitalis, Bilgisayarlı Tomografi, Makine Öğrenme Algoritmaları, Cinsiyet Tahmini
dc.description.abstractDetermining gender and age are important demographic variables in identification studies. The cranium and pelvis are the most dimorphic anatomical structures examined in gender and age estimation studies. However, in cases where the cranium and pelvis are difficult to examine, various anatomical structures of the human skeleton have also been examined in gender and age estimation studies. In our study, we investigated the usability of machine learning methods in gender and age estimation using data from the foramen (for.) magnum and occipital condyle, which can maintain their intact anatomical structure. In our study, the cranial Computed Tomography (CT) images of 400 healthy individuals (200 males, 200 females) with an average age of 44.37 were retrospectively examined. The measurement data of for. magnum and occipital condyle were analyzed using machine learning methods. The machine learning algorithms used in our study are: Extra Trees Classification (ETC), Random Forest (RF), Decision Tree (DT), Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), Logistic Regression (LR), K-Nearest Neighbors Regression (K-NN) and Gaussian Naive Bayes (GNB). The highest accuracy rate in gender prediction with the LR algorithm was determined as 84%. In our study, it was determined that the maximum intercondylar distance parameter had the highest effect on gender prediction. As a result of the analysis conducted according to age groups (20-29, 30-39, 40-49, 50-59 and 60-69), an accuracy rate of 30% was determined in the GNB algorithm. In addition, age-based analysis was performed using machine learning methods, excluding the 50–59 and 60–69 age groups. The highest accuracy rate was 42% in the DT algorithm. The width parameter of the right occipital condyle was determined to have the highest effect in prediction according to age groups. As a result of the analysis performed using machine learning methods for gender prediction, for. magnum and occipital condyle were determined to be the determining anatomical structures in gender discrimination. In this context, we believe that using machine learning methods in gender estimation studies will yield faster and more reliable results. Thus, we believe that faster determination of the most important dimorphic variable in the identification stages can make significant contributions to the fields of forensic medicine and forensic anthropology. Keywords: Foramen Magnum, Occipital Condyle, Computed Tomography, Machine Learning Algorithms, Gender Prediction
dc.identifier.citationYenigül, H. (2025). Foramen Magnum Ve Condylus Occipitalis'in Bilgisayarlı Tomografi Görüntüleri Kullanılarak Makine Öğrenme Algoritmalarıyla Yaşa Ve Cinsiyete Göre Değerlendirilmesi (Tez No. 966918) [Doktora Tezi, Düzce Üniversitesi].
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=ftqJzTasnJUH9hg-S5861sG32Eprenat5NmhtnvR6noxyt2YfjLACm5EzPtP95Rr
dc.identifier.urihttps://hdl.handle.net/20.500.12684/22449
dc.identifier.yoktezid966918
dc.institutionauthorYenigül, Hatice
dc.language.isotr
dc.publisherDüzce Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_TEZ_20260623
dc.subjectMorfoloji
dc.subjectAnatomi
dc.subjectAdli Tıp
dc.titleForamen magnum ve condylus occipitalis'in bilgisayarlı tomografi görüntüleri kullanılarak makine öğrenme algoritmalarıyla yaşa ve cinsiyete göre değerlendirilmesi
dc.title.alternativeEvaluating foramen magnum and condylus occipitalis with machine learning algorithms according to age and gender using computerized tomography images
dc.typeDoctoral Thesis

Dosyalar

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu