Geri Dön

Temporomandibular eklem morfolojisinin değerlendirilmesinde yapay zekânın rolü

The role of artificial intelligence in the evaluation of temporomandibular joint morphology

PDF İndir

  1. Tez No: 1023722
  2. Yazar: SALİHA KÜBRA SARI
  3. Danışmanlar: PROF. DR. ELİF YILDIZER
  4. Tez Türü: Diş Hekimliği Uzmanlık
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: Derin öğrenme, konik ışınlı bilgisayarlı tomografi, mandibular kondil, temporomandibular eklem, yapay zekâ, Yapay zeka, Artificial intelligence, cone-beam computed tomography, deep learning, mandibular condyle, temporomandibular joint
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Ankara Yıldırım Beyazıt 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

Bu çalışmanın amacı, konik ışınlı bilgisayarlı tomografi görüntülerinde temporomandibular ekleme ait artiküler eminens eğimi ve mandibular kondil pozisyonunun değerlendirilmesinde yapay zekâ tabanlı modellerin performansını incelemek ve bu yapıların otomatik sınıflandırılabilirliğini araştırmaktır. Bu retrospektif çalışmada, Ankara Yıldırım Beyazıt Üniversitesi Diş Hekimliği Fakültesi Ağız, Diş ve Çene Radyolojisi Anabilim Dalı arşivinden elde edilen ve dâhil edilme-dışlama kriterleri doğrultusunda seçilen 560 hastaya ait toplam 1040 temporomandibular eklem konik ışınlı bilgisayarlı tomografi görüntüsü değerlendirildi. Artiküler eminens eğimi Katsavrias yöntemi kullanılarak düz, orta ve dik; mandibular kondil pozisyonu ise Pullinger ve Hollender yöntemine göre anterior, sentrik ve posterior olarak sınıflandırıldı. Elde edilen veriler kullanılarak YOLOv8x tabanlı derin öğrenme modelleri eğitildi. Veri setleri yaklaşık olarak eğitim (%80), doğrulama (%10) ve test (%10) gruplarına ayrıldı; model performansları doğruluk, kesinlik, duyarlılık, F1-skoru, Dice benzerlik katsayısı, Jaccard indeksi ve ortalama hassasiyet metrikleri ile değerlendirildi. Gözlemci içi güvenilirlik analizinde Cohen'in kappa katsayısı artiküler eminens eğimi için 0,930, kondil pozisyonu için ise 0,904 olarak bulundu. Değerlendirilen eklemlerin çoğunluğunda orta derecede artiküler eminens eğimi saptanırken (%60,2), kondil pozisyonu sınıfları arasında en sık sentrik kondil pozisyonu gözlendi (%37,1). Artiküler eminens eğimi sınıflandırma modelinde genel doğruluk 0,864, mAP@0,5 0,833 ve mAP@0,5:0,95 0,626; kondil pozisyonu sınıflandırma modelinde ise genel doğruluk 0,882, mAP@0,5 0,886 ve mAP@0,5:0,95 0,661 olarak bulundu. Her iki modelde de yüksek kesinlik, duyarlılık ve F1-skoru değerleri elde edildi. Bu çalışmada, konik ışınlı bilgisayarlı tomografi görüntüleri kullanılarak temporomandibular eklemin artiküler eminens eğimi ve mandibular kondil pozisyonunun değerlendirilmesine yönelik YOLOv8x tabanlı derin öğrenme modelleri eğitilmiş ve başarılı sonuçlar elde edilmiştir.

Özet (Çeviri)

The aim of this study is to examine the performance of artificial intelligence-based models in the evaluation of articular eminence inclination and mandibular condylar position of the temporomandibular joint on cone-beam computed tomography images and to investigate the feasibility of automatically classifying these structures. In this retrospective study, a total of 1040 temporomandibular joint cone-beam computed tomography images obtained from 560 patients selected according to the inclusion and exclusion criteria from the archive of the Department of Oral and Maxillofacial Radiology, Faculty of Dentistry, Ankara Yıldırım Beyazıt University, were evaluated. Articular eminence inclination was classified as flat, moderate, and steep using the Katsavrias method, whereas mandibular condylar position was classified as anterior, centric, and posterior according to the Pullinger and Hollender method. YOLOv8x-based deep learning models were trained using the obtained data. The datasets were divided approximately into training (80%), validation (10%), and test (10%) groups, and model performances were evaluated using accuracy, precision, recall, F1-score, Dice similarity coefficient, Jaccard index, and mean average precision metrics. In the intra-observer reliability analysis, Cohen's kappa coefficient was found to be 0.930 for articular eminence inclination and 0.904 for condylar position. Moderate articular eminence inclination was detected in the majority of the evaluated joints (60.2%), whereas the centric condylar position was the most frequent (37.1%). In the articular eminence inclination classification model, the overall accuracy was 0.864, [email protected] was 0.833, and [email protected]:0.95 was 0.626. In the condylar position classification model, the overall accuracy was 0.882, [email protected] was 0.886, and [email protected]:0.95 was 0.661. High precision, recall, and F1-score values were obtained in both models. In this study, YOLOv8x-based deep learning models were trained for the evaluation of articular eminence inclination and mandibular condylar position of the temporomandibular joint using cone-beam computed tomography images, and successful results were obtained.

Benzer Tezler

  1. Tez No

    956226

    Temporomandibular eklem boşluklarının, mandibular kondilin ve glenoid fossanın konik ışınlı bilgisayarlı tomografi kullanılarak morfolojik olarak değerlendirilmesi

    The morphological evaluation of temporomandibular joint spaces, the mandibular condyle, and the glenoid fossa using cone-beam computed tomography

    MELTEM KARAMAN

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2025

    Diş HekimliğiOndokuz Mayıs Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. PERUZE ÇELENK

  2. Tez No

    930735

    Temporomandibuler eklem kondilinin morfolojik özelliklerinin ve dejeneratif değişikliklerinin konik ışınlı bilgisayarlı tomografi ile retrospektif olarak değerlendirilmesi

    Retrospective evaluation of the morphological properties and degenerative changes of the condyle of the temporomandibular joint with cone beam computed tomography

    DUYGU KAYMAK

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2024

    Diş HekimliğiSelçuk Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. FÜSUN YAŞAR

  3. Tez No

    991820

    Antiepileptik ilaç kullanan hastalarda temporomandibular eklem osteoartritinin konik ışınlı bilgisayarlı tomografi ile incelenmesi

    The evaluation of temporomandibular joint osteoarthritis in patients using antiepileptic drugs by cone-beam computed tomography

    BEYZANUR BÜYÜK

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2026

    Diş HekimliğiÇukurova Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    DOÇ. DR. DAMLA SOYDAN ÇABUK

  4. Tez No

    762068

    Dış kulak kanalı hacmi ile kondil morfolojisi ve konumu arasındaki ilişkinin farklı sagittal paterne sahip hastalarda KIBT kullanılarak değerlendirilmesi

    Evaluation of the relationship between meatus acusticus externus volume and condyle morphology and position by using CBCT in different sagittal patterns

    GÜLŞAH ERTAŞ

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2022

    Diş HekimliğiKırıkkale Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    DOÇ. DR. MEHMET ZAHİT ADIŞEN

  5. Tez No

    873573

    Temporomandibular eklem morfolojisinin alt ve üst diş kavislerinin kapanış ilişkisi durumuna göre konik ışınlı bilgisayarlı tomografi ile değerlendirilmesi

    Evaluation of temporomandibular joint morphology according to the occlusal relationship between lower and upper dental arches using cone beam computed tomography

    BÜŞRA NUR GÖKKURT YILMAZ

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2024

    Diş HekimliğiOrdu Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    DOÇ. DR. ZERRİN ÜNAL ERZURUMLU

Geri Dön