Periodontal hastalıkların güncel sınıflamaya (2018) uygun tanısı için derin evrişimsel sinir ağı tabanlı bir karar sistemi tasarımı
A deep convolutional neural network based decision system for the diagnosis of periodontal diseases according to the current clasification (2018)
- Tez No: 707628
- Danışmanlar: PROF. DR. ZUHAL YETKİN AY
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Derin öğrenme, Karar verme, Karar verme stilleri, Periodontal hastalıklar, Periodontit, Radyografi, Sınıflandırma, Teşhis, Yapay sinir ağları, Deep learning, Decision making, Decision making styles, Periodontal diseases, Periodontitis, Radiography, Classification, Diagnosis, Artificial neural networks
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Periodontoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Periodontal ve peri-implant hastalık ve durumların 2018 yılında yayınlanan ve kullanıma sunulan güncel sınıflaması, kriterleri nedeniyle özellikle deneyimsiz klinisyenler için birtakım zorluklar içermekte ve tanısal çelişkilere neden olmaktadır. Bu çalışmada, periodontitis evre ve derecelendirmesinin kolaylaştırılmasında yapay zekâ ile modelleme yapabilmek için klinik ve radyografik öznitelikler ile görüntüler kullanılarak derin evrişimsel sinir ağı tabanlı bir karar sistemi tasarımının gerçekleştirilmesi amaçlanmıştır. Gereç ve yöntem: Çalışmanın deneysel analizinin ilk kısmında Süleyman Demirel Üniversitesi Diş Hekimliği Fakültesi Periodontoloji Anabilim Dalı'na başvuran 144 bireye ait klinik veriler aracılığıyla Python yazılım dili ile Orange (ver. 3.29) programı kullanılarak bir yapay zekâ modeli oluşturulmuştur. İkinci kısımda ise panoramik radyografik görüntüleri işlenerek derin öğrenme algoritmaları ile sınıflandırma gerçekleştirilmiştir. Bulgular: Klinik veriler kullanılarak“Ağaç algoritması”ile evre belirleme başarısı %97,2,“Rastgele Orman”ve“K-En yakın Komşu”algoritmaları ile derece belirleme başarısı %98,6 doğruluk değerine ulaşmıştır. Panoramik radyografik görüntülerin işlenmesinde en iyi evreleme doğruluk değerini; görüntülerin ön işlemden geçirilmiş olduğu, önerilen Resnet50 mimarisi ile Destek Vektör Makinesi algoritmasının birleştirildiği hibrit bir ağ modeli algoritması vermiş olup, %88,2 sınıflandırma doğruluk değeri ile yüksek bir başarı göstermiştir. Genel olarak derece doğruluk değerlerinin modellemesi için radyografik görüntülerin düşük başarı sağladığı görülmüştür. Sonuç: Çalışmamızda oluşturulan bu karar ağı sisteminin mevcut kısıtlarına rağmen güncel sınıflamaya göre periodontal tanının konmasını kolaylaştırabileceği sonucuna varılmıştır. Algoritmanın optimizasyonu ve sonuçların iyileştirilmesi için ileri çalışmalar planlanmaktadır.
Özet (Çeviri)
Aim: The current classification of“Periodontal and Periimplant Diseases and Conditions”published and made available in 2018 contains some difficulties, and causes diagnostic conflicts, especially for inexperienced clinicians due to its criteria. In this study, it was aimed to design a deep convolutional neural network based decision system by using clinical and radiographic attributes and images in order to make modeling with artificial intelligence in facilitating the staging and grading of periodontitis. Materials and methods: In the first part, an artificial intelligence model was created using the Python software language and Orange (ver. 3.29) using clinical data of 144 individuals who applied to the Department of Periodontology, Faculty of Dentistry, Süleyman Demirel University. In the second part, panoramic radiographic images were processed and classification was carried out with deep learning algorithms. Results: By using clinical data, staging success with“Tree algorithm”reached 97.2%, grading success with“Random Forest”and“K-Nearest Neighbor”algorithms reached 98.6% accuracy. Best staging accuracy for processing panoramic radiographic images; it gave a hybrid network model algorithm combining the proposed Resnet50 architecture and the Support Vector Machine algorithm, in which the images were preprocessed, and showed a high success with a classification accuracy of 88.2%. In general, it has been observed that radiographic images provide low success for modeling grade accuracy values. Conclusion: In the present study, this decision network system can facilitate periodontal diagnosis despite its current limitations. Further studies are planned to optimize the algorithm and improve the results.
Benzer Tezler
- Modeling of the effect of trypsin on the interaction of herpes simplex virus-with the human peridontal ligament fibroblast
Başlık çevirisi yok
HAMİD HONARPİSHEH
- Hızlı ilerleyen periodontitis ve erişkin periodontitisli hastalarda plak antijenlerine karşı lökosit inhibitör faktör (LIF) cevabının incelenmesi
Başlık çevirisi yok
HAKAN AKINCIBAY
Doktora
Türkçe
1987
Diş HekimliğiHacettepe ÜniversitesiPeriodontoloji Ana Bilim Dalı
PROF. DR. GÜRHAN ÇAĞLAYAN
- Diş ve diş dizisine uygulanan muhtelif tedavi şekillerinde yapılan teknik hatalar sonucu ağızda meydana gelen primer ve sekonder hastalıkların radyolojik olarak incelenmesi
Başlık çevirisi yok
GÜNER ORHUNÖZ
Yüksek Lisans
Türkçe
1985
Diş HekimliğiMarmara ÜniversitesiDiş Hastalıkları ve Tedavisi Ana Bilim Dalı
PROF. DR. BÜLENT BAŞARAN
- Jüvenil diabetes mellituslu olgularda tükrük immunoglobulin A, çürük ve periodontal ilişki
Başlık çevirisi yok
SERAP AKYÜZ
- Juvenil ve hızlı ilerleyen periodontitisli hastalarda periferik kan lökositlerinin alkalen fosfataz seviyeleri ile lökosit enzim sistemi aktivitelerinin incelenmesi
Başlık çevirisi yok
M. HAMİT ÇELİK
Doktora
Türkçe
1988
Diş HekimliğiHacettepe ÜniversitesiPeriodontoloji Ana Bilim Dalı
PROF. DR. GÜRHAN ÇAĞLAYAN
