01
Ultrason görüntüsü
Yenidoğan kalça ultrason görüntüsü değerlendirme için sisteme aktarılır.
GrafMesh AI
Graf kalça ultrasonografisi · Yenidoğan kalça taraması
Graf ultrason değerlendirmesine yapay zekâ desteği.
Standart düzlemi doğru yakalamak, kalça ultrasonografisinde en kritik ve en çok hata yapılan adımdır. GrafMesh AI; anatomik referansları belirler, α–β açılarını otomatik hesaplar, ölçümleri Graf sınıflandırmasıyla birlikte sunar.
GrafMesh AI·Graf ultrason analizi
TÜBİTAK 2232-A Uluslararası Lider Araştırmacılar Programı destekli ürün
Uçtan uca süreç
Ultrason görüntüsünden Graf tipine, tek akışta.
Graf değerlendirmesi, görüntünün ölçüme uygun standart düzlemde olup olmadığının belirlenmesiyle başlar. Ardından anatomik referanslar tanımlanır, α–β açıları hesaplanır ve elde edilen ölçümler Graf sınıflandırmasına aktarılır. GrafMesh AI tüm bu adımları otomatik olarak yürütür.
02
Ölçüme uygunluk kontrolü
İliak kanadın düz görünümü, iliumun alt ucu ve labrum değerlendirilerek görüntünün Graf ölçümüne uygunluğu belirlenir.
03
Anatomik yapıların tanınması
İliak kanat, labrum ve gerekli asetabular referanslar yapay zekâ tarafından otomatik olarak belirlenir.
04
α ve β açıların hesaplanması
Anatomik referanslardan oluşturulan çizgiler üzerinden α ve β açıları otomatik olarak hesaplanır.
05
Graf sınıflandırması ve sonuç
Ölçümler ve ilgili klinik parametreler değerlendirilerek Graf tipi belirlenir ve sonuç özeti sunulur.
Graf değerlendirmesinde standardizasyon
Güvenilir Graf değerlendirmesi üç temel adıma dayanır.
Ölçülebilir standart düzlemin seçimi, anatomik referansların doğru belirlenmesi ve değerlendiriciler arasındaki değişkenliğin azaltılması, Graf ölçümünün tutarlılığı açısından önem taşır. GrafMesh AI bu süreci ortak anatomik ve ölçümsel referanslarla destekler.
01
Ölçülebilir standart düzlem
İliak kanadın düz görünümü, iliumun alt ucu ve labrum değerlendirilerek görüntünün Graf ölçümüne uygunluğu belirlenir.
02
Anatomik yapıların doğru tanınması
Graf ölçümünde kullanılan iliak kanat, labrum ve asetabular referanslar otomatik olarak belirlenir.
03
Değerlendiriciler arası değişkenlik
Graf ölçümleri uygulayıcı deneyiminden etkilenebilir. GrafMesh AI, aynı anatomik ve ölçümsel referansların kullanılmasını sağlayarak değerlendiriciler arasında daha tutarlı bir yaklaşımı destekler.
Graf Sınıflandırması
Ölçümden Graf sınıflandırmasına.
Anatomik referanslardan hesaplanan α ve β açıları, yaş bilgisiyle birlikte değerlendirilerek Graf tipi belirlenir.
NormalHafif displaziİleri displazi
Tip I
NormalNormal
α ≥ 60°
Olgun kalça morfolojisi.
Tip IIa / IIb
HafifFizyolojik immatürite · Hafif displazi
α 50°–59°
IIa ve IIb ayrımı bebeğin yaşı, maturasyon durumu ve diğer Graf kriterleriyle birlikte değerlendirilir.
Tip IIc / D
İleriDisplastik / instabilite riski taşıyan grup
α 43°–49°
Ölçüm sonuçları ve ek Graf kriterleriyle birlikte ileri uzman değerlendirmesi gerektiren vakaların belirlenmesini destekler.
Kullanım alanları
Klinik değerlendirmeden eğitime, aynı Graf yaklaşımı.
GrafMesh AI; yenidoğan kalça taramasının yapıldığı her klinik ortamda güvenilir, standartlaştırılmış ve hızlı bir karar destek katmanı sunar.
Rutin tarama
TaramaYenidoğan kalça ultrasonografisinde ölçüme uygun standart düzlemin belirlenmesini destekler.
Klinik karar desteği
Karar DesteğiOrtopedi, radyoloji ve ilgili klinik uzmanlıklar için standart düzlem değerlendirmesi, anatomik referansların belirlenmesi ve açı ölçümünde yapay zekâ desteği.
Uzman eğitimi
EğitimGraf yöntemini öğrenen uzman adayları ve sağlık personeli için, doğru kesiti ve anatomik referans noktalarını gerçek zamanlı geri bildirimle öğreten destekleyici bir eğitim aracı.
Bilimsel temel
Akademik araştırmadan GrafMesh'e.
GrafMesh'in bilimsel temeli, yenidoğan kalça ultrasonografisinde ölçülebilir standart düzlemin belirlenmesi, anatomik yapıların tanınması, α–β açı ölçümü ve Graf sınıflandırması üzerine yayımlanmış hakemli çalışmalara dayanır.
Gerçek klinik görüntüler · Uzman referansları · Hakemli bilimsel çalışmalar
TÜBİTAK 2232-A desteği
GrafMesh geliştirme çalışmaları TÜBİTAK 2232-A Uluslararası Lider Araştırmacılar Programı kapsamında desteklenmektedir.
Bağımsız klinik doğrulama
Otomatik analiz sonuçları, gerçek yenidoğan kalça ultrason görüntülerinde deneyimli uzmanların referans değerlendirmeleriyle karşılaştırıldı.
Graf standardına tam uyum
Ölçülebilir standart düzlem, anatomik referanslar ve α–β açı geometrisi Graf yönteminin tanımlı anatomik ve ölçümsel prensipleri temel alınarak değerlendirilir.
Bilimsel Yayınlar
GrafMesh'in bilimsel yolculuğu.
GrafMesh AI; Graf kalça ultrasonografisinde anatomik yapıların belirlenmesinden otomatik sınıflandırmaya ve ölçülebilir standart düzlemin saptanmasına uzanan araştırma hattı üzerine inşa edilmiştir.
2019·Applied Soft Computing
Automatic segmentation and classification of neonatal hips according to Graf's sonographic method: A computer-aided diagnosis system
Hasan Basri Sezer · Aysun Sezer
Graf yöntemine göre anatomik yapıların otomatik belirlenmesi, α–β açı ölçümü ve sınıflandırmayı aynı bilgisayar destekli akışta birleştiren erken dönem temel çalışmadır.
164 kalça ultrason görüntüsü
2020·Ultrasound in Medicine & Biology
Deep Convolutional Neural Network Based Automatic Classification of Neonatal Hip Ultrasound Images: A Novel Data Augmentation Approach with Speckle Noise Reduction
Aysun Sezer · Hasan Basri Sezer
Graf standart düzlemindeki yenidoğan kalça ultrason görüntülerinin yapay zekâ ile otomatik sınıflandırılmasını ve ultrason gürültüsünü azaltmaya dayalı özgün veri artırma yaklaşımını sunar.
675 kalça ultrason görüntüsü · %97,70 doğruluk
2023·Joint Diseases and Related Surgery
Segmentation of measurable images from standard plane of Graf hip ultrasonograms based on Mask Region-Based Convolutional Neural Network
Aysun Sezer · Hasan Basri Sezer
İliak kanat, labrum ve asetabular bölgenin eşzamanlı otomatik değerlendirilmesiyle ölçülebilir Graf standart düzleminin belirlenmesine odaklanan doğrulanmış segmentasyon çalışmasıdır.
675 kalça ultrason görüntüsü · ~%97 segmentasyon başarısı