Geri Dön

Osteometal kompleks blokajı, konka bülloza ve nazal septum deviasyonunun derin öğrenme ile otomatik tespiti

Automatic detection of osteomeatal complex blockage, concha bullosa and nasal septum deviation with deep learning

PDF İndir

  1. Tez No: 1013170
  2. Yazar: MEDİHA ERTÜRK
  3. Danışmanlar: PROF. DR. MELEK TAŞSÖKER BULUT
  4. Tez Türü: Diş Hekimliği Uzmanlık
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: Derin Öğrenme, Osteomeatal Kompleks, Yapay Zeka, YOLO, Artificial Intelligence, Deep Learning, Osteomeatal Complex, YOLO
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Necmettin Erbakan 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

Osteomeatal kompleks (OMK); maksiller sinüs ostiumu (MSO), infundibulum, orta meatus, etmoid bulla ve unsinat prosesin birleşimiyle oluşan bir anatomik yapıdır. Bu yapı,frontal, maksiller ve anterior etmoid sinüslerin drenaj yolunda önemli bir ortak kanal görevi görmektedir. Bu bölgedeki müköz sekresyonun drenaj yolu şu şekildedir: maksiller sinüs ostiumuna ulaşan mukus, infundibulum aracılığıyla burun boşluğuna yönelir. Bu bölgedeki yapısal bütünlüğün korunması, sinüslerin sağlıklı işleyişi açısından büyük önem taşımaktadır. Konka bülloza, ostium kanalındaki değişiklikler veya nazal septum deviasyonu gibi anomaliler sinüs drenajını bozarak kronik sinüzit ve enfeksiyon gelişme riskini artırabilmektedir. Bu nedenle söz konusu yapıların dikkatli bir şekilde değerlendirilmesi hem tanısal doğruluğun sağlanması hem de cerrahi planlamanın doğru yapılması açısından büyük önem taşır. Nesne tespiti, segmentasyon,sınıflandırma gibi özellikleri olan YOLO, sıklıkla kullanılan bir algoritmadır. Bu çalışmanın amacı, konik ışınlı bilgisayarlı tomografi kesitleri üzerinde konka bülloza (KB), septum deviasyonu (SD) ve maksiller sinüs ostiumunu (MSO) tespit edip farklılıklarını derin öğrenme teknikleri ile otomatik olarak belirleyebilmektir. Bu amaçla bu çalışmada kurumsal veri sisteminden elde edilen 120 bireye ait, 3708 kesit bu çalışma için kullanılmıştır. Veriler iki farklı cihazdan elde edilmiştir. Bu çalışmada YOLOv8 ve YOLO11 sürümlerinin medium modeli kullanılmış ve sonuçlar karşılaştırılmıştır. Her bir anatomik oluşum için 618 kesit dikey şekilde aynalanarak 1236'şar veri elde edilmiştir. Veriler %80 eğitim, %10 validasyon ve %10 test olarak bölünmüştür. NewTom GiANO verilerine göre konka bülloza segmentasyonu için; eğitim aşamasında her iki model aynı mAP.5 değerine (0.995) ulaşmış, ancak YOLO11m daha yüksek mAP.5-95 (0.865) ile daha iyi genelleme göstermiştir. Test aşamasında ise YOLO11m mAP.5-95'te daha iyi performans sergilemiştir (0.795 vs. 0.764). Her iki model de CB-P (concha bullosa present) ve CB-A (concha bullosa apsent) sınıflarında yaklaşık %99 doğrulukla KB tespitinde yüksek başarı göstermişti. Maksiller sinüs ostiumu tespitinde ise eğitim aşamasında her iki model de yüksek doğrulukla öğrenmiş olup YOLO11m ([email protected] = 0.982), YOLOv8m'ye ([email protected] = 0.985) yakın bir performans sergilemiştir. Test aşamasında, YOLO11m [email protected] = 0.943 ile YOLOv8m'ye ([email protected] = 0.929) göre daha yüksek doğruluk göstermiştir. Septum deviasyonu segmentasyonunda ise YOLO11m modeli, YOLOv8m'ye kıyasla daha yüksek güven skorları (0.92'ye kadar) sunarak lokalizasyon doğruluğunu artırmıştır. Morita 3D Accuitomo 170 cihazı verileri de NEWTOM ile paralellik göstermiş ve YOLO11m daha başarılı bulunmuştur Analiz sonuçlarına göre YOLO11m algoritmasının osteomeatal kompleks oluşumlarının sınırlarını daha net belirlediği, yanlış tespit oranının daha düşük olduğu, daha hafif ve daha az boyutlu bir yapay zeka modeli türettiği gözlemlenmektedir.

Özet (Çeviri)

The osteomeatal complex (OMC) is an anatomical structure formed by the union of the maxillary sinus ostium (MSO), infundibulum, middle meatus, ethmoid bulla, and uncinate process. This structure serves as an important common drainage pathway for the frontal, maxillary, and anterior ethmoid sinuses. The drainage pathway for mucous secretion in this region is as follows: mucus reaching the maxillary sinus ostium is directed into the nasal cavity via the infundibulum. Maintaining the structural integrity of this region is of great importance for the healthy functioning of the sinuses. Anomalies such as concha bullosa, changes in the ostium canal, or nasal septum deviation can disrupt sinus drainage, increasing the risk of chronic sinusitis and infection. Therefore, careful evaluation of these structures is crucial for both diagnostic accuracy and proper surgical planning. YOLO, which features object detection, segmentation, and classification, is a frequently used algorithm. The aim of this study is to detect concha bullosa (CB), septal deviation (SD), and maxillary sinus ostium (MSO) on cone beam computed tomography slices and to automatically determine their differences using deep learning techniques. To this end, 3,708 data points relating to 120 individuals, obtained from the organisational data system, were used in this study. The data were obtained from two different devices. In this study, the medium models of YOLOv8 and YOLO11 were used, and the results were compared. For each anatomical structure, 618 slices were mirrored vertically to obtain 1236 data points. The data were divided into 80% training, 10% validation, and 10% testing. According to NewTom GiANO data for concha bullosa segmentation, both models achieved the same mAP.5 value (0.995) during the training phase, but YOLO11m showed better generalization with a higher mAP.5-95 (0.865). In the testing phase, YOLO11m performed better in mAP.5-95 (0.795 vs. 0.764). Both models showed high success in detecting KB with approximately 99% accuracy in the CB-P (concha bullosa present) and CB-A (concha bullosa apsent) classes. In maxillary sinus ostium detection, both models learned with high accuracy during the training phase, with YOLO11m ([email protected]=0.982) performing close to YOLOv8m ([email protected]=0.985). During the testing phase, YOLO11m showed higher accuracy ([email protected]=0.943) compared to YOLOv8m ([email protected]=0.929). In septum deviation segmentation, the YOLO11m model increased localization accuracy by providing higher confidence scores (up to 0.92) compared to YOLOv8m. Data from the Morita 3D Accuitomo 170 device also showed parallelism with NEWTOM, and YOLO11m was found to be more successful. xviii According to the analysis results, it is observed that the YOLO11m algorithm more clearly defines the boundaries of osteomeatal complex formations, has a lower false detection rate, and produces a lighter and smaller artificial intelligence model.

Benzer Tezler

  1. Tez No

    910435

    Osteomeatal kompleks'in anatomik varyasyonları ve sinus maxillaris pnömatizasyonu ile ilişkisi: konik ışınlı bilgisayarlı tomografi çalışması

    Anatomical variations of osteomeatal complex and association with maxillary sinus pneumatization: a cone beam computed tomography study

    İREM KÖSE

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    AnatomiNecmettin Erbakan Üniversitesi

    Anatomi Ana Bilim Dalı

    DOÇ. DR. GÜLAY AÇAR

  2. Tez No

    949226

    Ağız solunumu yapan çocuklarda osteomeatal kompleks varyasyonları ve maksiller sinüs patolojilerinin konik ışınlı bilgisayarlı tomografi ile retrospektif olarak değerlendirilmesi

    Retrospective evaluation of osteomeatal complex variations and maxillary sinus pathologies in mouth-breathing children with cone-beam computed tomography

    MİNA TÜRKMEN KARAÇÖL

    Doktora

    Türkçe

    Türkçe

    2025

    Diş Hekimliğiİstanbul Sağlık ve Teknoloji Üniversitesi

    Pedodonti Ana Bilim Dalı

    PROF. DR. BUĞRA ÖZEN

    DOÇ. DR. EDA DİDEM YALÇIN

  3. Tez No

    976468

    Dudak damak yarıklı hastalarda osteomeatal kompleks anatomik varyasyonları, patolojileri ve nazal kavite hacminin konik ışınlı bilgisayarlı tomografi ile değerlendirilmesi

    Evaluation of osteomeatal complex anatomical variations, pathologies and nasal cavity volume in patients with cleft lip and palate by cone beam computed tomography

    TUĞBA CEBECİ

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2024

    Diş HekimliğiMarmara Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BERCESTE POLAT AKMANSOY

  4. Tez No

    579632

    Konik ışınlı bilgisayarlı tomografi kullanılarak osteomeatal kompleksin anatomik varyasyonlarının dudak damak yarıklı hastalar ile sağlıklı popülasyon karşılaştırılarak retrospektif değerlendirilmesi

    Retrospective evaluation of the anatomical variations of the osteomeatalcomplex using cone beam computed tomography by comparing the cleft lip palatepatients and the healthy population

    SEVDE GÖKSEL

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2019

    Diş Hekimliğiİstanbul Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. İLKNUR ÖZCAN

  5. Tez No

    769640

    Maksiller sinüs patolojisi ve nazal septum deviasyonu olan hastalarda osteomeatal kompleksin konik ışınlı bilgisayarlı tomografi ile değerlendirilmesi

    Evaluation of osteomeatal complex with cone-beam computed tomography in patients with maxillary sinus pathology and nasal septum deviation

    BURAK İNCEBEYAZ

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2022

    Diş HekimliğiAnkara Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. BENGİ ÖZTAŞ

Geri Dön