GÜNCEL YAYIN Koruyucu Hekimlik, Yaşam Tarzı Tıbbı ve Hücresel Biyoloji
📅 17 Kasım 2026 · Bağımsız Editoryal Ağ
Klinik Rehber

Frontiers | FMC-Net: Radyografilerde Kırık Sınıflandırması için Anatomiye Duyarlı, Çok İpucuyla Çalışan Hafif Bir Ağ

✍️ Editör Masası • 📅 16 Kasım 2026 • ⏱️ 6 dk okuma
Frontiers | FMC-Net: Radyografilerde Kırık Sınıflandırması için Anatomiye Duyarlı, Çok İpucuyla Çalışan Hafif Bir Ağ

ORİJİNAL ARAŞTIRMA makalesi

Front. Med., 11 Kasım 2026

Bölüm: Tıbbi Görüntüleme ve Nükleer Tıp

Cilt 13 – 2026 | https://doi.org/10.3389/fmed.2026.2034134

  • CL
  • PC
  • QL
  • CL

Chaofan Li 1

Peng Chen 1,2

Qiong Liu 3*

Chen Ling 1,2*

    1. Nantong Üniversitesi’ne Bağlı 6. Hastane, Yancheng Üçüncü Halk Hastanesi, Yancheng, Jiangsu, Çin

    2. Nanjing Tıp Üniversitesi Yancheng Klinik Tıp Okulu, Yancheng, Jiangsu, Çin

    3. Tıbbi Görüntüleme Okulu, Jiangsu Tıp Fakültesi, Yancheng, Jiangsu, Çin

    Makale metrikleri

    Özet

    Amaçlar:

    Kırık röntgen görüntülerinin sınıflandırılması, ortopedik görüntü destekli tanıda önemli bir görevdir. Kırıkla ilişkili özellikler genellikle kortikal süreklilikte yerel değişiklikler, ince çizgisel yapılar ve eklem yakınındaki anormallikler olarak ortaya çıkar; bu da yerel kenarların, yönsel kemik yapılarının ve çok aşamalı özelliklerin etkili bir şekilde modellenmesini gerektirir. Bu çalışma, iki boyutlu kırık röntgen görüntülerinin sınıflandırılması için hafif bir ağ geliştirmeyi ve performansını, kararlılığını, yorumlanabilirliğini ve hesaplama verimliliğini değerlendirmeyi amaçlamaktadır.

    Yöntemler:

    Kırık sınıflandırması için çok dallı bir evrişimli ağ olan FMC-Net’i önerdik. Model, kenarları koruyan girdiler, çok dallı kalıntı evrişimli bloklar, sınırları koruyan alt örnekleme, yönsel şerit evrişimli dikkat, küresel bağlam kalibrasyonu ve çok kaynaklı sınıflandırma başlıklarını kullanarak sığ katmanlardaki kenar tepkilerini, orta katmanlardaki yerel yapıları, yönsel dokuları ve üst düzey anlamsal bilgileri birlikte kullanır. Deneyler üç kırık röntgen veri kümesi olan FracAtlas, MFXR ve OrthoFrac-XR üzerinde gerçekleştirildi ve model verimli CNN’ler, Transformer mimarileri ve hibrit CNN-Transformer modelleriyle karşılaştırıldı. Eğitim ve testler rastgele tohumlar kullanılarak tekrarlandı ve model performansı Grad-CAM, ablasyon çalışmaları ve verimlilik analizi ile daha da değerlendirildi.

    Sonuçlar:

    FMC-Net, üç halka açık veri kümesinin her biri üzerinde ayrı ayrı yapılan değerlendirmelerde üstün genel sınıflandırma performansı sergiledi. FracAtlas, MFXR ve OrthoFrac-XR üzerinde makro F1 skorları sırasıyla 0.7783, 0.8141 ve 0.8093 olarak bulundu. Model sonuçları genel olarak kararlıydı, ancak kategori düzeyindeki performans veri kümeleri arasında farklılık gösterdi: FracAtlas’ta kırık sınıfı tanıma temel sınırlayıcı faktör olarak kaldı; MFXR’de anormallik sınıfı iyi sınıftan daha iyi performans gösterdi; OrthoFrac-XR’de ise iki sınıfın metrikleri nispeten yakındı. Grad-CAM görselleştirmeleri, FMC-Net’in tepki bölgelerinin esas olarak kemik yapıları, eklemlere komşu alanlar ve şüpheli anormalliklerle ilişkili yerel bölgeler boyunca dağıldığını göstermektedir. Ablasyon deneyleri, çok kaynaklı sınıflandırma başlığının, çok dallı kalıntı evrişimli blokların ve çok dallı alt örneklemenin model performansı üzerinde önemli bir etkisi olduğunu göstermektedir. Verimlilik analizi, FMC-Net’in parametreler, FLOP’lar ve çıkarım hızı arasında makul bir dengeyi koruduğunu ortaya koymaktadır.

    Sonuçlar:

    FMC-Net, iki boyutlu kırık röntgen görüntülerinin sınıflandırılması için göreve uyarlanmış, hafif bir evrişimli ağ çözümü sunmaktadır. Model, çeşitli kırık sınıflandırma veri kümelerinde kararlı ve rekabetçi bir performans sergilerken, uzamsal tepki ve hesaplama verimliliği açısından da ilgili avantajları sağlamaktadır.

    1 Giriş

    Röntgen görüntüleme, kırıkların taraması ve ilk tanısı için en sık kullanılan görüntüleme modalitelerinden biridir. BT veya MRG ile karşılaştırıldığında röntgen, kolay erişim, daha düşük maliyet ve geniş klinik kapsama alanı gibi avantajlara sahiptir. Bu nedenle acil servislerde, polikliniklerde ve birinci basamak sağlık hizmetlerinde kırık değerlendirmesi için yaygın olarak kullanılmaktadır (). Kırık röntgen görüntülerindeki ayırt edici bilgiler genellikle kortikal süreklilikteki değişiklikler, ince kırık çizgileri, eklemlere komşu yapılardaki anormallikler ve kemik kenarlarındaki yerel değişiklikler gibi belirgin yerelleşmiş ve ince taneli özellikler sergiler (). Bu ayırt edici özellikleri düşük kontrast, değişen açılar, anatomik konumdaki değişiklikler ve tutarsız görüntü kalitesi koşullarında güvenilir bir şekilde tanımlamak daha zordur.

    Son yıllarda derin öğrenme yöntemleri tıbbi görüntü sınıflandırma görevlerine yaygın olarak uygulanmıştır. ResNet ve DenseNet gibi klasik evrişimli sinir ağları, yerel evrişimler ve hiyerarşik özellik çıkarımı yoluyla görüntü dokusunu ve yapısal bilgileri modelleyebilir. EfficientNet ve ConvNeXt gibi modern verimli CNN’ler, bileşik ölçeklendirme, derin ayrılabilir evrişimler veya modern evrişimli tasarımlar aracılığıyla parametre verimliliğini artırır. Vision Transformers ve bunların Swin Transformer varyantları ise uzun menzilli bağımlılıkları modellemek için dikkat mekanizmalarını kullanır. CoAtNet, MaxViT ve MedViT gibi hibrit CNN-Transformer mimarileri ise evrişimsel endüksiyon eğilimlerini dikkat tabanlı modelleme yetenekleriyle birleştirmeye çalışır. Ancak kırık röntgen sınıflandırması doğal görüntü sınıflandırmasından farklıdır; kırıkla ilişkili özellikler genellikle kemik yapısında ince, yerelleşmiş ve son derece yönsel değişiklikler olarak ortaya çıkar. Bu nedenle modellerin sadece küresel anlamları tanıması değil, aynı zamanda sığ düzeydeki kenarlar, orta düzeydeki yerel yapılar ve üst düzeydeki ayırt edici bilgiler arasındaki bağlantıları da koruması gerekir (). Mevcut genel amaçlı görsel temel ağlar, kırık röntgen sınıflandırmasında hala birkaç sınırlamayla karşı karşıyadır ( 4 ). Tek yollu evrişimsel gövdeler veya güçlü alt örnekleme işlemleri, erken aşamalarda ince ölçekli kenar bilgilerini sıkıştırabilirken, son katmanda yalnızca küresel ortalama havuzlamaya dayanmak orta düzeydeki yerel yapıları ve bölgesel istatistiksel bilgileri zayıflatır ( 5 ). Transformer tabanlı modeller küresel modelleme yeteneklerine sahip olsalar da, sınırlı örnek sayısına sahip veya yerel özelliklerin baskın olduğu kırık sınıflandırma senaryolarında evrişimli modelleri tutarlı bir şekilde geride bırakamamışlardır ( 6 ). Farklı kırık veri kümeleri arasındaki sınıf oranları, anatomik bölgeler ve görüntüleme kaynaklarındaki farklılıklar göz önüne alındığında, bir modeli yalnızca tek bir veri kümesinde doğrulamak, uygulanabilirliğinin abartılı bir şekilde değerlendirilmesine yol açabilir.

    Temel Bulgular ve Genel Değerlendirme

    • Pubmed Özet
    • CrossRef
    • Google Akademik

    28.

    ZechJRCarotenutoGIgbinobaZTranCVInsleyEBaccarellaA ve diğerleri. Derin öğrenme tabanlı nesne tespiti kullanarak pediatrik bilek kırıklarını tespit etmek. Pediatr Radiol. (2023) 53:1125–34. 10.1007/s00247-023-05588-8

    • Pubmed Özet
    • CrossRef
    • Google Akademik

    29.

    TahirASaadiaAKhanKGulAQahmashAAkramRN. Tanıyı geliştirmek: röntgen görüntüleri kullanarak kırık tespiti için topluluk derin öğrenme modeli. Clin Radiol. (2024) 79:e1394–402. 10.1016/j.crad.2024.08.006

    • Pubmed Özet
    • CrossRef
    • Google Akademik

    30.

    LiuDYangZBaoCMengQ. Çocuklarda bilek kırıklarını tespit etmek için yapay zeka tabanlı yöntem. Sci Rep. (2025) 15:38555. 10.1038/s41598-025-22419-y

    • Pubmed Özet
    • CrossRef
    • Google Akademik

    31.

    SrinivasuPNKumariGLANarahariSCAhmedSAlhumamA. Dirsek röntgen görüntülerinden doğru kemik kırığı tespiti için YOLO V10’daki hiperparametre ve veri artırmanın etkisini keşfetmek. Sci Rep. (2025) 15:9828. 10.1038/s41598-025-93505-4

    • Pubmed Özet
    • CrossRef
    • Google Akademik

    32.

    TanziLAudisioACirrincioneGApratoAVezzettiE. Femur kırığı sınıflandırması için vizyon transformer. Injury. (2022) 53:2625–34. 10.1016/j.injury.2022.04.013

    • Pubmed Özet
    • CrossRef
    • Google Akademik

    33.

    AlamTYehWCHsuFRShiaWCSinghARHassanT ve diğerleri. YOLOv8 ve ResNet, SeResNet & vizyon transformer (ViT) algoritmalarını entegre eden bir yaklaşım, dirsek röntgen görüntülerindeki kırık ROI tahmini. Curr Med Imaging. (2024) 20:e15734056309890. 10.2174/0115734056309890240912054616

    • Pubmed Özet
    • CrossRef
    • Google Akademik

    34.

    SindhuraDNPaiRMBhatSNPaiMMM. GAN ile oluşturulan BT görüntüleri kullanılarak omurga kırığı türlerinin otomatik olarak tanımlanması için vizyon transformatörü ve derin öğrenme tabanlı ağırlıklı topluluk modeli. Sci Rep. (2025) 15:14408. 10.1038/s41598-025-98518-7

    • Pubmed Özet
    • CrossRef
    • Google Akademik

    35.

    SharmaVKukrejaV. Swin-EffuseNet: kemik kırığı sınıflandırması için Swin transformatörü V2 ve EfficientNet-B0’u birleştiren çift akışlı, dikkat tabanlı bir model. J Orthop. (2026) 72:173–91. 10.1016/j.jor.2025.10.016

    • Pubmed Özet
    • CrossRef
    • Google Akademik

    36.

    XuYYingWDuYWangQZhengJYangZ. Klinik karar verme sürecine destek olmak amacıyla Swin transformatörü tabanlı akıllı kırık sınıflandırması ve radyografik değerlendirme. BMC Med Inform Decis Mak. (2026) 26:42. 10.1186/s12911-025-03327-7

    • Pubmed Özet
    • CrossRef
    • Google Akademik

    37.

    MalauBMOlusanyaMO. Bilek röntgen anomalilerinin tespiti için paralel ve sıralı hibrit CNN–ViT modellerinin karşılaştırmalı değerlendirmesi. Appl Sci. (2025) 15:11865. 10.3390/app152211865

    • CrossRef
    • Google Akademik

    38.

    LiuX-SNieRDuanA-WYangLLiXZhangL-Tet al. YOLOX-SwinT algoritması, ortopedik travma cerrahlarının intertrokanterik kırıkların AO/OTA sınıflandırması doğruluğunu artırıyor. Chin J Traumatol. (2025) 28:69–75. 10.1016/j.cjtee.2024.04.002

    • Pubmed Özet
    • CrossRef
    • Google Akademik

    Özet

    Anahtar Kelimeler

    derin öğrenme, kırık sınıflandırması, hafif ağ, çok dallı konvolüsyon, röntgen görüntüleme

    Atıf

    Li C, Chen P, Liu Q ve Ling C (2026) FMC-Net: radyografilerdeki kırık sınıflandırması için anatomi duyarlı, çok ipuçlı hafif bir ağ. Front. Med. 13:2034134. doi: 10.3389/fmed.2026.2034134

    Alındı

    19 Ekim 2026

    Revize edildi

    22 Ekim 2026

    Kabul edildi

    30 Ekim 2026

    Yayınlandı

    11 Kasım 2026

    13 – 2026

    Chao He, Beijing Jiaotong Üniversitesi, Çin

    Qiuhai Liu, Beijing Jiaotong Üniversitesi, Çin

    Su Li, Liaoning Üniversitesi, Çin

    © 2026 Li, Chen, Liu ve Ling.

    Bu makale, Creative Commons Atıf Lisansı (CC BY) şartları uyarınca dağıtılan açık erişimli bir makaledir. Orijinal yazarların ve telif hakkı sahiplerinin belirtilmesi ve bu dergideki orijinal yayına kabul edilen akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanılması, dağıtılması veya çoğaltılmasına izin verilir. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltma izni verilmemektedir.

    *İletişim: Qiong Liu 12274@jsmc.edu.cn Chen Ling lcycsygk@163.com

    Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.

    Frontiers | FMC-Net: an anatomy-aware multi-cue lightweight network for fracture classification in radiographs
    Frontiers | FMC-Net: an anatomy-aware multi-cue lightweight network for fracture classification in radiographs
    İlginizi Çekebilir: Kemik Defekt Onarımında Mineralize Hidrojeller: Gelişmeler, Mekanizmalar ve Zorluklar →
    Kaynak: Frontiersin ↗
    BENZER İNCELEMELER

    İlgili Diğer Rehberler