Konik ışınlı bilgisayarlı tomografi görüntülerindeki periapikal lezyonların yapay zeka ile değerlendirilmesi
Evaluation of periapical lesions in cone beam computed tomography images using artificial intelligence
- Tez No: 1022245
- Danışmanlar: PROF. DR. ÖZGÜR TOPUZ
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Derin öğrenme, Konik ışınlı bilgisayarlı tomografi, Periapikal hastalıklar, Yapay zeka, Deep learning, Cone-beam computed tomography, Periapical diseases, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Endodonti Ana Bilim Dalı
- Bilim Dalı: Endodonti Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmanın amacı Konik Işınlı Bilgisayarlı Tomografi (KIBT) görüntülerindeki periapikal lezyonları yapay zeka algoritmaları kullanarak tespit etmek ve periapikal lezyonların segmentasyonunu gerçekleştirmek için tasarlanmış yapay zeka modelinin performansını değerlendirmektir. Bu çalışma için Craniocatch (Eskişehir, Türkiye) şirketinin veri tabanında yer alan, farklı sebeplerle çekilmiş periapikal lezyon içeren 150 KIBT görüntüsü seçilmiştir. 10 KIBT, kötü görüntü kalitesi sebebiyle çalışma dışı bırakıldıktan sonra 140 KIBT üzerinden çalışma sürdürülmüştür. Seçilen KIBT görüntüleri Digital Imaging and Communications in Medicine (DICOM) formatında Craniocatch şirketinin web tabanlı yazılımına yüklendikten sonra görüntülerdeki periapikal lezyonlar aksiyel düzlemde poligonal şekilde etiketlenmiş ve Neuroimaging Informatics Technology Initiative (NIfTI) formatında kaydedilmiştir. Periapikal lezyonların segmentasyonu için Python (v3.6.1; Python Software Foundation, Wilmington, DE, ABD) kullanılarak PyTorch derin öğrenme çerçevesi ile nnU-Net v2 tabanlı bir model geliştirildi. Model, 0.00001 öğrenme oranıyla 1000 epoch (döngü) boyunca eğitilmiştir. Veri setinin %80'i eğitim, %10'u doğrulama ve %10'u test için kullanılmıştır. Modelin performansı; Doğruluk (Accuracy), Duyarlılık (Sensitivity), Kesinlik (Precision), Dice Katsayısı (Dice Similarity Coefficient, DC), eğri altında kalan alan (AUC), %95 Hausdorff mesafesi (%95 HD) ve Jaccard indeksi (Intersection over Union, IoU) metrikleriyle değerlendirilmiştir. Periapikal lezyonların segmentasyonu için doğruluk, duyarlılık, kesinlik, AUC, %95 HD, Dice Katsayısı ve Jaccard indeksi değerleri sırası ile 0.999, 0.729, 0.801, 0.860, 12.022, 0.741, 0.604 olarak tespit edilmiştir. nnU-Net v2 tabanlı yapay zeka modeli periapikal lezyon segmentasyonunda başarılı sonuçlar elde etmiştir. Yapılan bu çalışmanın sonuçları diş hekimlerine KIBT görüntülerindeki periapikal lezyonların teşhis ve segmentasyonunda yardımcı bir seçenek sunması açısından umut vaat etmektedir.
Özet (Çeviri)
The objective of this study is to evaluate the diagnostic performance of an AI model designed for diagnostic purposes to detect and segment periapical lesions in CBCT images using artificial intelligence algorithms. For this study, 150 CBCT images containing periapical lesions taken for various reasons were selected from the database of Craniocatch (Eskişehir, Turkey). After excluding 10 CBCTs due to poor image quality, the study was conducted on 140 CBCTs. The selected CBCT images were uploaded in DICOM format to Craniocatch's web-based software, after which the periapical lesions in the images were labeled polygonally and saved in NIfTI format. For the segmentation of periapical lesions, a nnU-Net v2-based model was developed using the PyTorch deep learning framework with Python (v3.6.1; Python Software Foundation, Wilmington, DE, USA). The model was trained for 1000 epochs with a learning rate of 0.00001. %80 of the dataset was used for training, 10% for validation, and 10% for testing. The model's performance was evaluated using the following metrics: Accuracy, Sensitivity, Precision, Dice Similarity Coefficient (DC), Area Under the Curve (AUC), 95% Hausdorff Distance (95% HD), and Jaccard Index (Intersection over Union, IoU). Accuracy, sensitivity, specificity, AUC, 95% HD, Dice Coefficient, and Jaccard index values were determined to be 0.999, 0.729, 0.801, 0.860, 12.022, 0.741, and 0.604, respectively. The nnU-Net v2-based artificial intelligence model achieved successful results in periapical lesion segmentation. The results of this study are promising in terms of offering dentists a guiding option for diagnosis.
Benzer Tezler
- Statik elektrikle yüklenmiş sıvı ilacın pamuk ilaçlamasında etkinliğinin belirlenmesi üzerinde bir araştırma
Başlık çevirisi yok
ALİ BAYAT
Yüksek Lisans
Türkçe
1987
ZiraatÇukurova ÜniversitesiTarımsal Mekanizasyon Ana Bilim Dalı
DOÇ. DR. YUSUF ZEREN
- Travmatik erkek paraplojelere yüksek frekanslı TENS
Başlık çevirisi yok
SEMA ÖZTÜRK
Yüksek Lisans
Türkçe
1986
Ortopedi ve TravmatolojiGazi ÜniversitesiKazalarda Acil Yardım ve Rehabilitasyon Ana Bilim Dalı
DOÇ. DR. VESİLE SEPİCİ
- Hemodiyalize bağımlı kronik böbrek hastalarında gonadotropik hormonlar ile östrojen ve testosteron düzeylerinin araştırılması
Başlık çevirisi yok
HANDAN İLGÜNŞATIROĞLU
Tıpta Uzmanlık
Türkçe
1987
Endokrinoloji ve Metabolizma HastalıklarıCumhuriyet ÜniversitesiFizyoloji Ana Bilim Dalı
DOÇ. DR. SENA ERDAL
- Uluslararası Kriminal Polis Örgütü-İnterpol'ün örgütsel yapısı ve işleyişi
Başlık çevirisi yok
SAADETTİN BORA
Yüksek Lisans
Türkçe
1986
Kamu YönetimiGazi ÜniversitesiKamu Yönetimi Ana Bilim Dalı
PROF. DR. HASAN KÖNİ
- Kemalpaşa etlik piliç işletmelerinin teknik ve ekonomik yönden incelenmesi
Başlık çevirisi yok
HAYRİ TUNA YÜKSELEN