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: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Periodontoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 97
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
- Periodontal hastalık ve durumların güncel sınıflamasında (2018) anahtar biyobelirteçlerin (ıl-1β ve MMP-8) yapay zekâ uygulaması ile değerlendirilmesi
Evaluation of key biomarkers (il-1β and MMP-8) with artificial intelligence application in current classification of periodontal diseases and conditions (2018)
ERENSU UZAR
Doktora
Türkçe
2023
Diş HekimliğiSüleyman Demirel ÜniversitesiPeriodontoloji Ana Bilim Dalı
PROF. DR. ZUHAL YETKİN AY
- Farklı eğitim düzeylerinin güncel sınıflama ölçütleri uyarınca tanımlanan periodontitisli olgularda tedavi planlaması üzerindeki olası etkilerinin değerlendirilmesi
Evaluation of the potential effects of different educational levels on treatment planning in patients with periodontitis defined according to the recent classification criteria
CEREN KÜTÜK
Diş Hekimliği Uzmanlık
Türkçe
2022
Diş HekimliğiHacettepe ÜniversitesiPeriodontoloji Ana Bilim Dalı
DOÇ. DR. HÜSEYİN GENCAY KEÇELİ
- Periodontal sağlığın olumsuz gebelik sonuçları üzerine etkisi
Effects of periodontal health on adverse pregnancy outcomes
KÜBRA CERAN DEVECİ
Diş Hekimliği Uzmanlık
Türkçe
2021
Diş HekimliğiAdıyaman ÜniversitesiPeriodontoloji Ana Bilim Dalı
DOÇ. DR. METİN ÇALIŞIR
- Farklı klinik periodontal durumlardaetkilenen doku yüzeyi alanı ve oral sağlıkdurumu ilişkisinin belirlenmesi
Determination of the relationship between affected tissue surfacearea and oral health status in different clinical periodontal conditions
BARIŞ SARP SEVİMLİ
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiHacettepe ÜniversitesiPeriodontoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BUKET ACAR
- Periodontal hastalıkların ABO ve Rh kan grupları ile korelasyonnun saptanması
The determination of the correlation between periodontal diseases and ABO and Rh blood groups
İLKE PELİN AKDEMİR SOFUOĞLU