Geri Dön

Bıtewıng ağız içi radyografik görüntülerde derin öğrenme ile diş segmentasyonu

Dental segmentation with deep learning on bitewing intraoral radiographic images

  1. Tez No: 695284
  2. Yazar: BUSE YAREN TEKİN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ CANER ÖZCAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Diş Hekimliği, Computer Engineering and Computer Science and Control, Dentistry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Karabük Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 77

Özet

Bu çalışmada, diş sağlığı alanında detaylı incelenmesi gereken dişlerin tedavi ve tanı sürecinde kullanılan bitewing (ısırma kanatlı) ağız içi radyografi görüntüleri üzerinde dişlerin segmentasyonu sağlanmıştır. Bitewing görüntüleme yöntemi, ağız içerisinde doğrudan görülemeyen, özellikle küçük ve büyük azı dişlerinin ara yüzlerindeki çürüklerin ve restorasyonların altında tekrarlayan çürüklerin tespiti için ideal bir tanı yöntemidir. Radyolojik görüntülerin uzmanlar tarafından raporlanması el ile yapılan, zaman alan ve dikkat gerektiren işlemlerdir. Bu işlemlerin başarılı ve hızlı bir şekilde gerçekleştirilebilmesi için derin öğrenme tabanlı bir yöntemle desteklenmesi amaçlanmıştır. Çalışma kapsamında kullanılan bitewing diş görüntüleriyle ilgili yasal izinler alınmıştır ve çalışmada kullanılan veri kümesi, Ordu Diş Hekimliği Fakültesi Ağız, Diş ve Çene Radyolojisi Anabilim Dalı radyoloji görüntü arşivinden elde edilmiştir. Bu çalışmada, Evrişimli Sinir Ağları (CNN) türünden olan Bölgesel Tabanlı Evrişimli Sinir Ağı (R-CNN) kullanılmıştır. Derin öğrenme tabanlı yaklaşım ile dişlerin bölgelerinin tespiti ve otomatik segmentasyonu için ilgi alanında bulunan dişlere ait piksel bilgisi sağlayan R-CNN ağı türünden olan Mask R-CNN ağı kullanılmıştır. Bu tez çalışmasının amacı, bitewing radyografileri üzerindeki dişlerin otomatik olarak segmentasyonunun gerçekleştirilerek diş bölgelerinin tespit edilmesidir. Çalışmada sinir ağının eğitimi için i9 10980XE işlemcili ve NVIDIA Quadro RTX 5000 ekran kartına sahip bir bilgisayar kullanılmıştır. Ek olarak çalışmada, derin öğrenme kütüphanelerinden olan Keras ve TensorFlow başta olmak üzere Python programlama diline ait kütüphaneler kullanılmıştır. Mask R-CNN sinir ağı ile kullanılan omurga ağı ise Artık ağlardan (Residual networks) olan ResNet-101 ağıdır. Diğer ağ modellerine kıyasla artık değerlerin sonraki modele eklenmesiyle oluşan ResNet omurga ağı, bu sayede klasik model olmaktan çıkmıştır. Deneysel çalışmalar sonucunda ise gerekli şekil, grafik ve çizelgeler ile daha detaylı analiz yapılmış ve elde edilen sonuçlar tartışılmıştır.

Özet (Çeviri)

In this study, segmentation of teeth was provided on bitewing intraoral radiography images used in the treatment and diagnosis process of teeth that need to be examined in detail in the field of dental health. Bitewing imaging method is an ideal diagnostic method for detecting caries that cannot be seen directly in the mouth, especially caries at the interfaces of premolars and molars, and recurrent caries under restorations. Reporting of radiological images by experts is a manual, time-consuming and careful process. It is aimed to support these processes with a deep learning-based method so that they can be performed successfully and quickly. Legal permissions were obtained for the bitewing tooth images used in the study, and the dataset used in the study was obtained from the radiology image archive of the Ordu Dentistry Faculty, Department of Oral, Dental and Maxillofacial Radiology. In this study, Regional Based Convolutional Neural Network (R-CNN), which is a type of Convolutional Neural Networks (CNN), was used. The Mask R-CNN network, which is a type of R-CNN network that provides pixel information of the teeth in the region of interest, was used for the detection and automatic segmentation of the regions of the teeth with a deep learning-based approach. The aim of this thesis study is to determine the tooth regions by performing automatic segmentation of teeth on bitewing radiographs. In the study, a computer with i9 10980XE processor and NVIDIA Quadro RTX 5000 graphics card was used for the training of the neural network. In addition, libraries belonging to the Python programming language, especially Keras and TensorFlow, which are deep learning libraries, were used in the study. The backbone network used with Mask R-CNN neural network is ResNet-101 network, which is Residual networks. Compared to other network models, ResNet backbone network, which is formed by adding residual values to the next model, has thus ceased to be a classical model. As a result of the experimental studies, a more detailed analysis was made with the necessary figures, graphics and charts and the results were discussed.

Benzer Tezler

  1. Arayüz çürüklerinin tespit edilmesinde kullanılan radyografik yöntemlerin sensitivite ve spesifitesinin değerlendirilmesi

    Assessment of sensitivity and specificity of radiographic methods for approximal caries detection

    MELİKE KORALTAN

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2015

    Diş HekimliğiCumhuriyet Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    YRD. DOÇ. DR. DEFNE YALÇIN YELER

  2. Başarısız restorasyonlarda hastaya, materyale ve farklı faktörlere bağlı etkenlerin değerlendirilmesi

    Evaluation of factors related to the patient, material and other factors in failed restorations

    NURCİHAN YEŞİLIRMAK

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2021

    Diş HekimliğiNecmettin Erbakan Üniversitesi

    Restoratif Diş Tedavisi Ana Bilim Dalı

    DOÇ. DR. SAİD KARABEKİROĞLU

  3. Genç yetişkinlerde sigara içme ve ağız bakım alışkanlıklarının arayüz çürük görülme ve DMFT durumuna etkisinin değerlendirilmesi

    Evaluation of the effect of smoking and oral care habits on aproximal caries and DMFT status in young adults

    MELTEM BATTAL

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2021

    Diş HekimliğiNecmettin Erbakan Üniversitesi

    Restoratif Diş Tedavisi Ana Bilim Dalı

    DOÇ. DR. SAİD KARABEKİROĞLU

  4. Farklı etiyolojik risk faktörlerinin çürük deneyimi üzerine etkisi ve maliyet analizinin değerlendirilmesi

    Effect of di̇fferent eti̇ologi̇c ri̇sk factors on cari̇esexperi̇ence and evaluati̇on of cost analysi̇s

    IŞIN ÇAYIR

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2019

    Diş HekimliğiNecmettin Erbakan Üniversitesi

    Restoratif Diş Tedavisi Ana Bilim Dalı

    DOÇ. DR. SAİD KARABEKİROĞLU

  5. Teledişhekimliğinde farklı teknikler kullanılarak çekilen dijital fotoğrafların okluzal çürük teşhisindeki etkinliklerinin değerlendirilmesi

    Evaluation of the effectiveness of digital photos taken using different techniques in tele dentistry in the diagnosis of occlusal caries

    ALİ RIZA SÜLEYMAN

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiRecep Tayyip Erdoğan Üniversitesi

    Restoratif Diş Tedavisi Ana Bilim Dalı

    DOÇ. DR. GÜL YILDIZ TELATAR