Lateral sefalometrik radyografilerde sefalometrik nokta tayininde farklı derin öğrenme yöntemlerinin karşılaştırılması
Comparison of different deep learning methods in cephalometric landmark determination in lateral cephalometric radiographs
- Tez No: 1023114
- Danışmanlar: PROF. DR. SÜLEYMAN KUTALMIŞ BÜYÜK, DOÇ. DR. HASAN ULUTAŞ
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Diş Hekimliği, Computer Engineering and Computer Science and Control, Dentistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ordu Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ortodonti Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Lateral sefalometrik radyografi, ortodontik tanı ve tedavi planlamasında temel bir görüntüleme yöntemidir. Ancak anatomik referans noktalarının manuel işaretlenmesi; zaman alıcılık, gözlemciler arası değişkenlik ve anatomik süperpozisyon gibi nedenlerle hata riski taşımaktadır. Yapay zekâ tabanlı otomatik landmark tespit sistemleri bu sınırlılıkları azaltma potansiyeline sahip olsa da literatürde geniş ölçekli veri kümelerinde kapsamlı landmark setleri üzerinde farklı derin öğrenme modellerini karşılaştıran çalışmalar sınırlıdır. Bu doğrultuda, bu çalışmada YOLO11-Pose ve FARNet modelleri 38 anatomik landmark üzerinden karşılaştırmalı olarak değerlendirilmiştir. Gereç ve Yöntem: Bu çalışmada, 2022–2024 yılları arasında Ordu Üniversitesi Diş Hekimliği Fakültesi Ortodonti Anabilim Dalı'na başvuran bireylerden rutin kayıtlar için alınan lateral sefalometrik radyografiler analiz edilmiştir. Toplam 2018 radyografik görüntüden %80'i yapay zeka tabanlı otomatik tespit sistemlerinin eğitimi için %10'u doğrulama için ve %10'u ise otomatik tespit sistemlerini test etmek için kullanılmıştır. Toplam 38 anatomik landmark CranioCatch (Eskişehir) platformu ile etiketlenmiştir. YOLO11-Pose modeli, önceden eğitilmiş ağırlıklarla başlatılarak 640 çözünürlükte, batch=16 ve 800 epoch boyunca eğitilmiştir. FARNet modeli ise ResNet152 tabanlı mimari ile 640×800 çözünürlükte batch=2 ve 300 epoch süresince eğitilmiştir. Model performansları; ortalama radyal hata, standart sapma, başarı tespit oranı (≤2–4 mm eşiklerinde) ve Bland-Altman analizi ile değerlendirilmiştir Bulgular: YOLO11-Pose, 1,04 mm ortalama hata ve ≤2 mm'de %90,41 başarı oranı ile yüksek doğruluk göstermiş; sistematik sapma izlenmemiştir. FARNet ise 1,13 mm hata ve %88,14 başarı oranı ile daha düşük performans sergilemiş, ayrıca bazı landmarklarda aykırı sapmalar gözlenmiştir. Bu çalışmada YOLO11-Pose modelinin genel başarı oranının daha yüksek olmasına rağmen FARNet modeli, Nasion ve Pterygoid noktalarında daha iyi sonuçlar vermiştir. Sonuç: YOLO11-Pose, genel doğruluk ve kararlılık açısından üstün bulunmuştur. Her iki model posterior kraniyal bölgedeki noktaların tespitinde zorlanmıştır. Bulgular, klinik kullanımda hibrit yaklaşım ve kritik noktalar için doğrulama gerekliliğini desteklemektedir.
Özet (Çeviri)
Aim: Lateral cephalometric radiography remains a fundamental imaging modality in orthodontic diagnosis and treatment planning. However, manual identification of anatomical landmarks is time-consuming and prone to errors due to inter-observer variability and anatomical superimposition. Although artificial intelligence–based automatic landmark detection systems have the potential to overcome these limitations, studies comparing different deep learning models on comprehensive landmark sets using large-scale datasets remain limited. Therefore, this study comparatively evaluated YOLO11-Pose and FARNet models using 38 anatomical landmarks. Material and Method: In this study, lateral cephalometric radiographs of 2,018 individuals treated between 2022 and 2024 at the Department of Orthodontics, Ordu University Faculty of Dentistry were analyzed. The dataset was divided into training (80%), validation (10%), and test (10%) sets. A total of 38 anatomical landmarks were annotated using the CranioCatch (Eskişehir) platform. The YOLO11-Pose model was initialized with pre-trained weights and trained at a resolution of 640 with a batch size of 16 for 800 epochs. The FARNet model, based on a ResNet152 architecture, was trained for 300 epochs at a resolution of 640×800 witch a batch size of 2. Model performance was evaluated using mean radial error, standard deviation, success detection rate (at ≤2–4 mm thresholds), and Bland–Altman analysis. Results: YOLO11-Pose demonstrated high accuracy with a mean error of 1.04 mm and a success rate of 90.41% at ≤2 mm, with no evidence of systematic bias. FARNet showed lower performance with a mean error of 1.13 mm and a success rate of 88.14%, along with the presence of outliers in certain landmarks. Despite the overall superior performance of YOLO11-Pose, FARNet achieved better results for the Nasion and Pterygoid landmarks. Conclusions: YOLO11-Pose outperformed FARNet in terms of overall accuracy and stability. Both models showed limitations in the posterior cranial base region. These findings support the use of hybrid approaches and the necessity of validation for critical landmarks in clinical applications.
Benzer Tezler
- Yapay zeka yaklaşımı ile sefalometrik filmler üzerinden anatomik referans noktalarının tahmini ve açısal analizi
Estimation and angular analysis of anatomical reference points on cephalometric films with artificial intelligence approach
AYŞE BAŞAĞAOĞLU FINDIK
Doktora
Türkçe
2025
Mühendislik BilimleriSüleyman Demirel ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLTEKİN ÖZDEMİR
- Sınıf II mandibular retrüzyon olgularında uygulanan Sabbagh Universal Spring (SUS²) apareyinin dişsel, iskeletsel ve yumuşak dokular üzerine olan etkilerinin değerlendirilmesi
The dental, skeletal and soft tissue changes induced by Sabbagh Universal Spring (SUS²) appliance used in Class II mandibular retrusion patients
AYHAN UYANLAR
- Maksiller retrognatik olgularda farklı üç tip protraksiyon yönteminin, ortodontik ve ortopedik etkilerinin sefalometrik olarak incelenmesi
Cephalometric evaluation of orthpedic and orthdontic effects of three types of protraction methods in maxillary petrognathic cases
BEKİR BAYSAL
- Sefalometrik radyografilerin analizlerinde kullanılan dijital ve manuel metotların karşılaştırılması
Comparison of digital and manual methods that are being used for cephalometric radiograps analysis
AYLA YILMAZ
Diş Hekimliği Uzmanlık
Türkçe
2018
Diş HekimliğiBülent Ecevit ÜniversitesiOrtodonti Ana Bilim Dalı
DOÇ. DR. FETHİYE ÇAKMAK ÖZLÜ
- Sefalometrik radyografilerin analizinde kullanılan yapay zeka tabanlı yöntemin bilgisayar destekli dijital izleme ile karşılaştırılması
Comparison of an artificial intelligence-based method used in the analysis of cephalometric radiographs with computer-aided digital tracing
AYÇA KILIÇ ÇETİNGÜNEY
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiNecmettin Erbakan ÜniversitesiOrtodonti Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MÜCAHİD YILDIRIM