Geri Dön

Derin öğrenme ile manyetik rezonans görüntüleri üzerinden temporomandibular eklem yapısal bileşenlerinin segmentasyonu ve anteriora konumlanmış diskin tespiti

Segmentation of structural components of the temporomandibular joint and detection of anteriorly positioned discs in magnetic resonance images using deep learning

PDF İndir

  1. Tez No: 1000272
  2. Yazar: BÜŞRA SINMAZ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ELİFHAN ALAGÖZ
  4. Tez Türü: Diş Hekimliği Uzmanlık
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: Manyetik rezonans görüntüleme, Magnetic resonance imaging
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Bezm-İ Alem Vakıf Üniversitesi
  10. Enstitü: Diş Hekimliği Fakültesi
  11. Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Temporomandibular eklem hastalıkları (TMEH) toplumda yaygın olarak görülmektedir ve bu hastalıkların tanısında doğru bir görüntüleme yöntemi kullanmak, klinik başarı açısından kritik öneme sahiptir. Manyetik rezonans görüntüleme (MRG) temporomandibular eklem (TME) yumuşak doku rahatsızlıklarının teşhisinde altın standart olarak kabul görmektedir. Fakat TME'ye ait MR görüntülerinin yorumlanması uzman hekimler için bile kolay olmamaktadır. MRG'nin yorumlanmasında standardizasyon sağlanabilmesi için yapay zekâ sistemleri kullanılabilir. Bu çalışmanın temel amacı, TME bölgesinin yapısal bileşenlerinin, T2 ağırlıklı sagittal MR görüntüleri kullanılarak derin öğrenme modelleri ile otomatik olarak segmente edilmesidir. Çalışmada mandibular kondil, artiküler eminens, glenoid fossa ve artiküler diskin, normal ve anteriora deplase pozisyonlarındaki segmentasyonu yapılmıştır. Bu segmentasyon sürecinde YOLOv5 ve YOLOv8 modellerinin performansları karşılaştırılarak, hangi modelin bu yapılar üzerinde daha yüksek doğruluk ve hassasiyetle sonuçlar verdiği araştırılmıştır. Bu amaç doğrultusunda, yapay zekâ tabanlı yaklaşımların klinik uygulamalarda teşhis süreçlerine katkı sağlayabileceği hipotezi test edilmiştir. Çalışmada, TME bölgesine ait 901 adet T2 ağırlıklı sagittal MR görüntüsünden oluşan bir veri seti kullanılmıştır. Bu görüntüler üzerinden mandibular kondil, artiküler eminens, glenoid fossa ve artiküler disk anatomik yapılarının segmentasyonu, yapay zekâ destekli Craniocatch uygulamasında, YOLOv5 ve YOLOv8 derin öğrenme modelleri ile gerçekleştirilmiştir. Model performansları, duyarlılık, kesinlik ve F1 skoru gibi metriklerle değerlendirilmiştir. Mandibular kondil segmentasyonunda, YOLOv5'in duyarlılığı 1 iken, YOLOv8'in duyarlılığı 0,98'dir. YOLOv5'in kesinlik değeri 0,98, YOLOv8'in kesinlik değeri ise 0,97'dir. F1 skoru açısından, YOLOv5 0,99, YOLOv8 ise 0,98 değerlerine sahiptir. Artiküler eminens segmentasyonunda ise hem YOLOv5 hem de YOLOv8'in duyarlılık değerleri 0,98 olarak ölçülmüştür. Kesinlik açısından, YOLOv5 0,96, YOLOv8 ise 0,98 olarak hesaplanmıştır. F1 skoru, YOLOv5 için 0,97, YOLOv8 için ise 0,98'dir. Glenoid fossa segmentasyonunda YOLOv5'in duyarlılığı 0,82, YOLOv8'in duyarlılığı ise 0,96'dır. Kesinlik değeri YOLOv5 için 0,90, YOLOv8 için ise 0,98'dir. F1 skoru ise YOLOv5 için 0,86, YOLOv8 için 0,97'dir. Normal konumdaki artiküler diskin YOLOv5 modelindeki duyarlılık değeri 1, kesinlik değeri 1, F1 skoru 1; YOLOv8 modelindeki duyarlılık değeri 0.98, kesinlik değeri 1, F1 skoru 0.99 olarak bulunmuştur. Anterior konumdaki artiküler diskin YOLOv5 modelindeki duyarlılık değeri 1, kesinlik değeri 0.96, F1 skoru 0.98; YOLOv8 modelindeki duyarlılık değeri 0.96, kesinlik değeri 0.86, F1 skoru 0.90 olarak bulunmuştur. Bu çalışma, yapay zekâ tabanlı YOLOv5 ve YOLOv8 modellerinin TME yapılarının otomatik segmentasyonu konusunda yüksek başarı elde ettiğini göstermektedir. Özellikle YOLOv5 modeli, mandibular kondil ve anteriora deplase disk segmentasyonunda daha yüksek performans sergilemiştir. YOLOv8 ise glenoid fossa ve artiküler eminens segmentasyonunda daha başarılı sonuçlar vermiştir. Elde edilen bulgular, bu modellerin klinik ve radyolojik teşhis süreçlerine entegre edilebileceğini ve teşhis sürecini hızlandırarak hekimlere önemli bir destek sağlayabileceğini göstermektedir. Ayrıca, TME bölgesine ilişkin daha ileri düzey yapay zekâ modellerinin geliştirilmesiyle, hastalıkların erken teşhisi ve tedavi süreçlerinde daha etkin sonuçlar elde edilebilecektir.

Özet (Çeviri)

Temporomandibular joint disorders (TMJDs) are commonly seen in the population, and using the correct imaging method in diagnosing these diseases is critical for clinical success. Magnetic Resonance Imaging (MRI) is widely recognized as the gold standard for diagnosing soft tissue disorders of the temporomandibular joint (TMJ). However, interpreting TMJ MRI images is challenging even for expert clinicians. Artificial intelligence (AI) systems can be used to standardize MRI interpretation. The primary aim of this study is to automatically segment the structural components of the TMJ region using deep learning models on T2-weighted sagittal MRI images. This study involved segmenting the mandibular condyle, articular eminence, glenoid fossa, and articular disc in both normal and anteriorly displaced positions. The performance of YOLOv5 and YOLOv8 models in this segmentation process was compared to determine which model provides higher accuracy and precision for these structures. The hypothesis tested is that AI based approaches can contribute to diagnostic processes in clinical applications. A dataset comprising 901 T2-weighted sagittal MRI images of the TMJ region was used in the study. Segmentation of the anatomical structures -mandibular condyle, articular eminence, glenoid fossa, and articular disc- was performed using the AI supported Craniocatch (Eskisehir, Turkiye) application with YOLOv5 and YOLOv8 deep learning models. Model performance was evaluated using metrics such as recall, precision, and F1 score. In mandibular condyle segmentation, YOLOv5 had a sensitivity of 1, while YOLOv8 had a sensitivity of 0.98. The precision of YOLOv5 was 0.98, and YOLOv8's precision was 0.97. In terms of the F1 score, YOLOv5 scored 0.99, and YOLOv8 scored 0.98. For the segmentation of the articular eminence, both YOLOv5 and YOLOv8 had a sensitivity of 0.98. In terms of precision, YOLOv5 scored 0.96, while YOLOv8 scored 0.98. The F1 score was 0.97 for YOLOv5 and 0.98 for YOLOv8. In glenoid fossa segmentation, YOLOv5 had a sensitivity of 0.82, while YOLOv8 had a sensitivity of 0.96. The precision for YOLOv5 was 0.90, while it was 0.98 for YOLOv8. The F1 score was 0.86 for YOLOv5 and 0.97 for YOLOv8. In the segmentation of the articular disc in the normal position, YOLOv5 achieved a sensitivity of 1, precision of 1, and F1 score of 1, while YOLOv8 had a sensitivity of 0.98, precision of 1, and F1 score of 0.99. For the anteriorly displaced articular disc, YOLOv5 had a sensitivity of 1, precision of 0.96, and F1 score of 0.98, while YOLOv8 had a sensitivity of 0.96, precision of 0.86, and F1 score of 0.90. This study demonstrates that AI-based YOLOv5 and YOLOv8 models achieve high success in the automatic segmentation of TMJ structures. Specifically, YOLOv5 exhibited superior performance in segmenting the mandibular condyle and anteriorly displaced disc, while YOLOv8 provided better results for the segmentation of the glenoid fossa and articular eminence. The findings suggest that these models can be integrated into clinical and radiological diagnostic processes, potentially accelerating diagnosis and offering significant support to clinicians. Furthermore, the development of more advanced AI models for the TMJ region could lead to more effective early diagnosis and treatment outcomes.

Benzer Tezler

  1. Tez No

    577331

    Derin öğrenme ile manyetik rezonans görüntülerde temporomandibular eklem disk deplasmanlarının diagnozu

    Diagnosis of temporomandibular joint disc displacements inmagnetic resonance images with deep learning

    YUSUF BAYKAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    BiyoistatistikKaradeniz Teknik Üniversitesi

    Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı

    DOÇ. DR. MEHMET İTİK

  2. Tez No

    936579

    Beyin tümörünün manyetik rezonans görüntüleri üzerinden derin öğrenme yaklaşımlarıyla erken teşhisi ve sınıflandırılması

    Early diagnosis and classification of brain tumors using deep learning approaches on magnetic resonance images

    AYNUR SEVİNÇ

    Doktora

    Türkçe

    Türkçe

    2025

    Bilim ve TeknolojiFırat Üniversitesi

    Teknoloji ve Bilgi Yönetimi Ana Bilim Dalı

    DOÇ. DR. BUKET KAYA

  3. Tez No

    789886

    Yapay zeka derin öğrenme algoritmaları ile mr görüntüleri ve ameliyat sırasındaki mikroskop görüntüleri kullanılarak derin öğrenme tekniği ile tümör sınıflaması yapılması ve tümörün normal beyin dokusundan ayırt edilmesinin sağlanması

    Başlık çevirisi yok

    EFECAN ÇEKİÇ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Beyin ve Sinir Cerrahisi Ana Bilim Dalı

    PROF. DR. ADNAN DAĞÇINAR

  4. Tez No

    729824

    Image reconstruction with deep learning and applications in MR images

    Derin öğrenme ile görüntü geriçatımı ve MR görüntülerinde uygulamaları

    AMIR AGHABIGLOU

    Doktora

    İngilizce

    İngilizce

    2022

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

  5. Tez No

    808977

    Derin öğrenme yöntemleri kullanılarak CT görüntüleri üzerinden damar segmentasyonu

    Vessel segmentation on CT images using deep learning methods

    ÖMER FARUK BOZKIR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Göğüs Kalp ve Damar CerrahisiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT CEYLAN

Geri Dön