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
- Tez No: 1013506
- Danışmanlar: PROF. DR. OĞUZHAN ALTUN
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- 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
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İnönü Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2016
Süleyman Demirel ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
Yükleniyor...
- 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
2022
Gazi ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
Yükleniyor...
- 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
2023
Ankara ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
Yükleniyor...
- 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
- 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
2025
Necmettin Erbakan ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
Yükleniyor...