Geri Dön

Konik ışınlı bilgisayarlı tomografide yapay zeka kullanarak alveolar antral arter segmentasyonu

Alveolar antral artery segmentation using artificial intelligence in cone-beam computed tomography

PDF İndir

  1. Tez No: 1019556
  2. Yazar: MUSTAFA HACILAR
  3. Danışmanlar: PROF. DR. NİHAT LAÇİN
  4. Tez Türü: Doktora
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İzmir Katip Çelebi Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Ağız, Diş ve Çene Cerrahisi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Bu çalışmanın amacı, konik ışınlı bilgisayarlı tomografi (KIBT) görüntülerinde alveolar antral arterin (AAA) yapay zeka tabanlı derin öğrenme yöntemleri ile otomatik segmentasyonunun uygulanabilirliğinin değerlendirilmesidir. Ayrıca bu çalışmada, AAA'nın anatomik seyir tipi, dallanma paterni ve bu özelliklerin cinsiyet, yaş ve taraf ile ilişkisi incelenmiştir. Yöntem: Çalışmaya 1 Ocak 2018 – 1 Aralık 2024 tarihleri arasında İzmir Kâtip Çelebi Üniversitesi Diş Hekimliği Fakültesi arşivinden elde edilen 196 bireye ait KIBT görüntüsü dahil edilmiştir. Görüntüler NewTom 5G cihazı ile 15×12 cm FOV aralığında alınmış olup tümünde voksel boyutu 0,200 mm olarak elde edilmiştir. AAA'nın seyir tipi (intraosseöz, intrasinüzal, süperfisiyal) ve dallanma paterni değerlendirilmiştir. 196 bireyden elde edilen KIBT görüntülerinden dahil edilme kriterlerini karşılayan 137 KIBT görüntüsü, eğitim (n=123) ve test (n=14) seti olarak ayrılmıştır. Manuel etiketleme ITK-Snap yazılımı ile gerçekleştirilmiş ve segmentasyon işlemleri nnU-Net (v2) çerçevesinde 3D tam çözünürlük yapılandırması ile yürütülmüştür. Beş farklı eğitim deneyi; PlainConvUNet ve ResidualEncoderUNet mimarileri, Dice+CE ve Tversky kayıp fonksiyonları ve farklı ön plan örnekleme oranları (%33 ve %80) kullanılarak sistematik olarak gerçekleştirilmiştir. İstatistiksel analizlerde Ki-kare, Fisher's exact, Mann-Whitney U, Kruskal-Wallis, Marjinal Homojenlik testi kullanılmıştır. Bulgular: Çalışma grubunun %49,5'i erkek (n=97), %50,5'i kadın (n=99) olup ortalama yaş 46,77 ± 17,21 yıl olarak saptanmıştır. Olguların %18,9'unda (sağ) ve %18,4'ünde (sol) arter seyri saptanamamıştır. Cinsiyet ile seyir tipi (sağ: p= 0,985; sol: p= 0,706) ve dallanma paterni (sağ: p=0,103; sol: p=0,191) arasında istatistiksel olarak anlamlı ilişki bulunmamıştır. Sağ ve sol taraf arasında seyir tipi uyumu %65,3 x olarak hesaplanmış; dallanma sayısında istatistiksel olarak anlamlı bir fark bulunmamıştır (p= 0,596). AAA'nın en sık intraosseöz seyir gösterdiği belirlenmiştir (sağ: %50; sol: %53,6). Derin öğrenme modellerinde tüm yapılandırmalarda ortalama doğrulama Dice benzerlik katsayısı (DSC) yaklaşık %65 düzeyinde plato yapmıştır. En yüksek performans, ön plan örnekleme oranının %80'e yükseltilmesiyle elde edilmiştir (DSC: ~0,650). Mimari değişiklikler ve alternatif kayıp fonksiyonları ek performans artışı sağlamamıştır. Sonuçlar: Bu çalışma, AAA'nın voksel tabanlı derin öğrenme ile otomatik segmentasyonuna yönelik erişilebilen literatürde girişim niteliğindedir. Elde edilen ~%65 DSC değeri, benzer vasküler segmentasyon görevleriyle tutarlı olmakla birlikte, klinik kullanıma hazır düzeyin altındadır. Performans tavanının başlıca nedenleri arasında aşırı sınıf dengesizliği (%0,001–0,01 ön plan oranı), hedef yapının çözünürlük sınırında bulunması (arter çapı <1 mm), sınırlı veri seti boyutu ve anotasyon belirsizliği bulunmaktadır. Gelecek çalışmalarda veri seti boyutunun genişletilmesi, yüksek çözünürlüklü çekim protokollerinin kullanılması ve hibrit tespit-segmentasyon yaklaşımlarının değerlendirilmesi önerilmektedir.

Özet (Çeviri)

Aim: The aim of this study is to evaluate the feasibility of automated segmentation of the alveolar antral artery (AAA) in cone-beam computed tomography (CBCT) images using artificial intelligence-based deep learning methods. Additionally, the anatomical course type and branching pattern of the AAA, as well as their relationships with sex, age, and side, were investigated. Methods: CBCT images of 196 individuals obtained from the archives of İzmir Kâtip Çelebi University Faculty of Dentistry between January 1, 2018 and December 1, 2024 were included in the study. All images were acquired using a NewTom 5G device with a 15×12 cm field of view (FOV) and a voxel size of 0.200 mm. The course type (intraosseous, intrasinusal, superficial) and branching pattern of the AAA were evaluated. Of the 196 CBCT images, 137 that met the inclusion criteria were divided into training (n=123) and test (n=14) sets. Manual annotation was performed using ITK-SNAP software, and segmentation was carried out within the nnU-Net (v2) framework using a 3D full-resolution configuration. Five training experiments were systematically conducted using PlainConvUNet and ResidualEncoderUNet architectures, Dice+CE and Tversky loss functions, and different foreground sampling rates (33% and 80%). Chi-square, Fisher's exact, Mann-Whitney U, Kruskal-Wallis, Marginal Homogeneity tests were used for statistical analyses. Results: The study group consisted of 49.5% males (n=97) and 50.5% females (n=99), with a mean age of 46.77 ± 17.21 years. The arterial course could not be detected in 18.9% (right) and 18.4% (left) of the cases. No statistically significant relationship was found between sex and course type (right: p=0.985; left: p=0.706) or xii branching pattern (right: p=0.103; left: p=0.191). The concordance of course type between the right and left sides was 65.3%; no statistically significant difference was found in the number of branches (p=0.596). The AAA most frequently exhibited an intraosseous course (right: 50%; left: 53.6%). Across all deep learning configurations, the mean validation Dice similarity coefficient (DSC) plateaued at approximately 65%. The highest performance was achieved by increasing the foreground sampling rate to 80% (DSC: ~0.650). Architectural modifications and alternative loss functions did not provide additional performance gains. Conclusion: This study represents the first attempt in the accessed literature to perform automated voxel-based segmentation of the AAA using deep learning. The obtained DSC of approximately 65% is consistent with comparable vascular segmentation tasks; however, it remains below the level required for clinical application. The main factors contributing to the performance ceiling include extreme class imbalance (0.001–0.01% foreground ratio), the target structure being at the resolution limit (arterial diameter <1 mm), limited dataset size, and annotation ambiguity. Future studies are recommended to expand the dataset, utilize high-resolution acquisition protocols, and evaluate hybrid detection-segmentation approaches.

Benzer Tezler

  1. Tez No

    982953

    Data and model based performance improvement in transfer learning by using generative adversarial networks and model fusion techniques

    Çekişmeli üretici ağlar ve model tümleştirme teknikleri kullanarak aktarımlı öğretimde veri ve model tabanlı performans iyileştirme

    TUĞÇE TOPRAK

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ALPER SELVER

  2. Tez No

    828670

    Alt yirmi yaş diş kökleri ve inferior alveolar kanal ilişkisinin panoramik radyografi görüntüleri üzerinde belirlenmesinde yapay zekâ destekli öğrenme modeli geliştirilmesi

    Development of an artificial intelligence based learning model for determining the relationship between mandibular third molar tooth and the inferior alveolar canal on panoramic radiograph images

    ALİ CANBERK ULUSOY

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiEge Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. BETÜL KARACA

  3. Tez No

    708387

    Gömülü mandibular üçüncü molar dişlerin pozisyon özelliklerinin yapay zeka ile değerlendirilmesi

    Evaluation of the position characteristics of impacted mandibular third molars with artificial intelligence

    EZGİ TÜRK

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2021

    Diş HekimliğiSüleyman Demirel Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZLEM GÖRMEZ

  4. Tez No

    869560

    Derin öğrenme yaklaşımı ile mandibular kanal ve üçüncü mandibular molar ilişkisinin CBCT ile değerlendirilmesi

    Evaluation of the mandibular canal and the third mandibular molar relationship by CBCT with a deep learning approach

    SUAY YAĞMUR ÜNAL

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2024

    Diş HekimliğiMarmara Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. FİLİZ MEDİHA NAMDAR PEKİNER

  5. Tez No

    923526

    Konik ışınlı bilgisayarlı tomografide tespit edilen yumuşak doku kalsifikasyon ve ossifikasyonlarının yapay zekaya tanıtılması

    Soft tissue calcifications and ossifications detected in cone-beam computed tomography introducing artificial intelligence

    LOKMAN CİN

    Doktora

    Türkçe

    Türkçe

    2024

    Diş Hekimliğiİstanbul Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    DOÇ. DR. HÜLYA ÇAKIR KARABAŞ

Geri Dön