Geri Dön

Konik ışınlı bilgisayarlı tomografi görüntülerinde vertebrobaziler arter kalsifikasyonu olan hastaların üç boyutlu segmentasyonu

Three dimensional segmentation of patients with vertebrobasilar artery calcification using cone beam computed tomography

PDF İndir

  1. Tez No: 1013506
  2. Yazar: KARDELEN DEMİREZER
  3. Danışmanlar: PROF. DR. OĞUZHAN ALTUN
  4. Tez Türü: Diş Hekimliği Uzmanlık
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: 3B Segmentasyon, Derin Öğrenme, Konik Işınlı Bilgisayarlı Tomografi, Serebrovasküler Olay, Vertebrobaziler Arter Kalsifikasyonu, Yapay Zekâ, 3D Segmentation, Artificial Intelligence, Cerebrovascular Event, Cone Beam Computed Tomography, Deep Learning, Vertebrobasilar Artery Calcification
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İnönü 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

Amaç: VBAK'nin değerlendirilmesi, serebrovasküler olay riskinin belirlenmesinde kritik öneme sahiptir; ancak manuel segmentasyon zaman alıcıdır ve gözlemciler arası değişkenliğe açıktır. Bu nedenle küçük vasküler yapıların tespiti için optimize edilmiş yeni bir derin öğrenme modeli geliştirmeyi amaçladık. Materyal Metod: Fokal dikkat mekanizmaları, küçük nesne tespit modülleri ve bağlam birleştirme için piramit havuzlama (pyramid pooling) içeren bir 3D U-Net mimarisi olan ImprovedVertebroV5 tasarlandı. Model, vertebrobaziler değerlendirmeye tabi tutulan hastalardan elde edilen KIBT klinik veri seti üzerinde eğitildi ve değerlendirildi. Çalışmada toplam 101 KIBT görüntüsü analiz edildi. Bulgular: V5 modelimiz, 20 test hastasında ortalama Dice skoru 0.7312 ± 0.1842, IoU değeri ise 0.6230 elde etti; bu, önceki modellere göre %31.7'lik bir iyileşmeyi temsil etmektedir. Tespit başarı oranı %100 (20/20 hasta) olarak belirlendi. Ortalama çıkarım (inference) süresi 372.2 ms idi. Ayrıca kesinlik (precision) 0.8460 ± 0.1347, duyarlılık (recall) 0.7890 ± 0.2526, özgüllük (specificity) 0.9997 ± 0.0003 ve AUC 0.8737 olarak bulundu. Sonuç: Önerilen mimari küçük nesneye optimize edilmiş olup, vertebrobaziler arter segmentasyonunda en son teknoloji düzeyinde (state-of-the-art) performans göstermektedir ve tanısal bir yardımcı araç olarak klinik kullanım potansiyeli taşımaktadır.

Özet (Çeviri)

Aim: VBAC assessment is crucial for stroke risk evaluation, but manual segmentation is time-consuming and subject to inter-observer variability. We developed a novel deep learning model specifically optimized for small vascular structure detection. Material and Methods: We designed ImprovedVertebroV5, a 3D U-Net architecture incorporating focal attention mechanisms, small object detection modules, and pyramid pooling for context aggregation. The model was trained and evaluated on a clinical dataset of CBCT scans from patients undergoing vertebrobasilar evaluation. Results: Our V5 model achieved a mean Dice score of 0.7312 ± 0.1842 and an IoU value of 0.6230 across 20 test patients; this represents a 31.7% improvement compared to previous models. The detection success rate was determined to be 100% (20/20 patients). The average inference time was 372.2 ms. In addition, precision was 0.8460 ± 0.1347, recall was 0.7890 ± 0.2526, specificity was 0.9997 ± 0.0003, and AUC was 0.8737. Conclusions: The proposed small object-optimized architecture demonstrates state-of-the-art performance for vertebrobasilar artery segmentation, with potential for clinical deployment as a diagnostic aid.

Benzer Tezler

  1. Tez No

    454127

    Konik ışınlı bilgisayarlı tomografi görüntülerinde çeşitli kök kanal dolgu patlarıyla ilişkili oluşan artefaktların değerlendirilmesi

    Evaluation of artifacts on cone-beam computed tomography produced by different root canal sealers

    AYŞE AYDOĞMUŞ ERİK

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2016

    Diş HekimliğiSüleyman Demirel Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    DOÇ. DR. DERYA YILDIRIM

  2. Tez No

    726656

    Konik ışınlı bilgisayarlı tomografi görüntülerinde canalis sinuosus'un ve bununla ilişkili aksesuar kanalların incelenmesi

    Investigation of canalis sinuosus and related accessory canals in cone-beam computed tomography images

    HATİCE TETİK

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2022

    Diş HekimliğiGazi Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. ZÜHRE AKARSLAN

  3. Tez No

    780382

    Konik ışınlı bilgisayarlı tomografi görüntülerinde nazopalatin kanal tespitinin yapay zeka ile karşılaştırılması

    Comparison of nasopalatine canal detection in CONE-BEAM computed tomography images with artificial intelligence

    HATİCE AHSEN DENİZ

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiAnkara Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. RANA NALÇACI

  4. Tez No

    900328

    Konik ışınlı bilgisayarlı tomografi görüntülerinde derin öğrenme tabanlı kritik anatomik yapıların tespiti

    Deep learning based detection of critical anatomical structures in cone beam computed tomography images

    FURKAN AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSamsun Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUAMMER TÜRKOĞLU

  5. Tez No

    922239

    Konik ışınlı bilgisayarlı tomografi görüntülerinde yapay zekâ ile sfenooksipital sinkondrozis füzyon aşamalarının tespiti

    Detection of sphenooccipital synchondrosis fusion stages with artificial intelligence in cone-beam computed tomography images

    SULTAN UZUN

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2025

    Diş HekimliğiNecmettin Erbakan Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. GÜLDANE MAĞAT

Geri Dön