Derin öğrenme tabanlı ossiküler zincir defekt analizi
Deep learning-based automatic ossicular chain defect analysis
- Tez No: 1000716
- Danışmanlar: DR. ÖĞR. ÜYESİ TUĞBA YEMİŞ
- Tez Türü: Tıpta Uzmanlık
- Konular: Kulak Burun ve Boğaz, Otorhinolaryngology (Ear-Nose-Throat)
- Anahtar Kelimeler: Ossiküler zincir, yapay zekâ, derin öğrenme, evrişimsel sinir ağları, Ossicular chain, artificial intelligence, deep learning, convolutional neural networks
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Recep Tayyip Erdoğan Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Kulak Burun Boğaz Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmanın amacı, temporal kemik bilgisayarlı tomografi (BT) görüntülerinin video formatına dönüştürülmesi yoluyla geliştirilen derin öğrenme tabanlı modellerin ossiküler zincir defektlerini doğrudan tespit etmedeki tanısal performansını değerlendirmektir. Gereç ve Yöntem: Bu retrospektif çalışmaya, 2020–2024 yılları arasında kronik otitis media tanısıyla timpanoplasti uygulanan ve preoperatif temporal kemik BT görüntüsü bulunan hastalar dahil edilmiştir. BT görüntüleri video formatına dönüştürülerek derin öğrenme modellerinin eğitimi için kullanılmıştır. Geliştirilen farklı mimariler arasından en yüksek tanısal doğruluğa sahip iki model (Model-1 ve Model-2) seçilmiştir. İntraoperatif ossiküler zincir bulguları referans standart olarak kabul edilmiştir. Modellerin tanısal performansı doğruluk, duyarlılık, özgüllük ve F1skoru ile değerlendirilmiştir. Bulgular: Toplam 138 hasta çalışmaya dahil edilmiştir. İntraoperatif değerlendirmede 46 hastada ossiküler zincir defekti saptanırken, 92 hastada ossiküler zincir bütünlüğü korunmuştur. Model-1'de doğruluk oranı (accuracy) %81,48, duyarlılık (sensitivite) %66,67, özgüllük (spesifite) %88,89, kesinlik (precision) %75, yanlış pozitiflik oranı %11,11 ve F1 skoru %70,59 olarak bulundu. Model-2'de ise doğruluk oranı %81,48, duyarlılık %77,78, özgüllük %83,33, kesinlik %70, yanlış pozitiflik oranı %16,67 ve F1 skoru %73,68 olarak hesaplandı. Sonuç: Temporal kemik BT görüntülerinin video tabanlı derin öğrenme analizi, ossiküler zincir defektlerinin tespitinde yüksek tanısal performans göstermektedir. Bu yaklaşımın preoperatif değerlendirme ve cerrahi planlamada objektif bir karar destek aracı olarak kullanılabileceği düşünülmektedir.
Özet (Çeviri)
Objective: The objective of this study is to evaluate the diagnostic performance of deep learning-based models developed by converting temporal bone computed tomography (CT) images into video format in directly detecting ossicular chain defects. Materials and Methods: This retrospective study included patients who underwent tympanoplasty for chronic otitis media between 2020 and 2024 and had preoperative temporal bone CT images. CT images were converted to video format and used to train deep learning models. Two models (Model-1 and Model-2) with the highest diagnostic accuracy were selected from among the different architectures developed. Intraoperative ossicular chain findings were accepted as the reference standard. The diagnostic performance of the models was evaluated using accuracy, sensitivity, specificity, and F1score. Results: A total of 138 patients were included in the study. Intraoperative evaluation revealed ossicular chain defects in 46 patients, while ossicular chain integrity was preserved in 92 patients. In Model-1, the accuracy rate was 81.48%, sensitivity was 66.67%, specificity was 88.89%, precision was 75%, the false positive rate was 11.11%, and the F1 score was 70.59%. In Model-2, the accuracy rate was 81.48%, sensitivity was 77.78%, specificity was 83.33%, precision was 70%, the false positive rate was 16.67%, and the F1 score was calculated as 73.68%. Conclusion: Video-based deep learning analysis of temporal bone CT images demonstrates high diagnostic performance in detecting ossicular chain defects. This approach is considered to be a useful objective decision support tool for preoperative evaluation and surgical planning.
Benzer Tezler
- Derin öğrenme tabanlı yüz ayırt etme ve tanıma
Deep learning based face detecti̇on and recognition
EMİNE CENGİL
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET ÇINAR
- Derin öğrenme tabanlı adli analiz uygulamaları
Deep learning based forensic applications
AHMET GÖKHAN POYRAZ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiBursa Uludağ ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET EMİR DİRİK
- Derin öğrenme tabanlı beyin MR görüntülerinden beyin tümörlerinin tespit edilmesi ve sınıflandırılması
Detection and classification of brain tumors from MR images based on deep learning
ALİ ARI
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY
- Derin öğrenme tabanlı yüz tanıma sisteminin geliştirilmesi
The development of a face recognition system based on deep learning
FURKAN AKIN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKAN DUMAN
- Derin öğrenme tabanlı sürücüsüz araç sistemleri
Deep learning based autonomous vehicle systems
KORAY AKİ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Uludağ ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET EMİR DİRİK