Derin öğrenme yöntemine dayalı yapay zeka algoritmalarıyla konik ışınlı bilgisayarlı tomografi görüntülerinde dişlerin tespit edilmesi ve numaralandırılması
Detection and numbering of teeth in CONE-BEAM computed tomography images with artificial intelligence algorithms based on deep learning method
- Tez No: 708145
- Danışmanlar: DOÇ. DR. İBRAHİM ŞEVKİ BAYRAKDAR
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 119
Özet
Amaç: Son yıllarda yaşam kalitemiz üzerinde önemli değişikliklere sebep olan gelişmelerden biri AI'dır. Özellikle radyoloji alanında birçok gelişmeye katkısı olan AI, diş hekimliğinde de popülerlik kazanmaya başlamıştır. Bu çalışmada, DCNN kullanarak KIBT görüntülerinde dişleri tespit edip, numaralandırmak için otomatik bir yöntem geliştirmeyi amaçladık. Materyal ve Metot: Veri seti 103 adet KIBT DICOM görüntüsünden oluşan çalışmamızda, transfer öğrenme teknikleriyle uyguladığımız Inception ResNet v2, Inception v2 ve ResNet-101 mimarilerinin diş tespit ve numaralandırmadaki başarıları karşılaştırılmıştır. Görüntüler üzerinde dişlerin etiketlenmesi CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanılarak yapılmıştır. Karmaşıklık matris yöntemi kullanılarak her bir modele ait başarı metrikleri hesaplanmıştır. Bulgular: Diş tespit ve numaralandırma için; Inception v2 mimarisi için duyarlılık, kesinlik ve F1 skoru değerleri sırasıyla 0.9440, 0.9325 ve 0.9382 şeklindedir. Inception ResNet v2 mimarisi için duyarlılık, kesinlik ve F1 skoru değerleri sırasıyla 0.9438, 0.9567 ve 0.9502 şeklindedir. ResNet-101 mimarisi için duyarlılık, kesinlik ve F1 skoru değerleri sırasıyla 0.9450, 0.9380 ve 0.9415 şeklindedir. Inception v2, Inception ResNet v2 ve ResNet-101 için AUC değerleri ise sırasıyla; 0.9389, 0.9485 ve 0.9493 olarak elde edilmiştir. En yüksek AUC değerine sahip mimari ResNet-101 olmuştur. Sonuç: Çalışmamız ilerleyen zamanlarda yapılacak olan derin öğrenme tabanlı KIBT raporlama sistemlerinin gelişimi açısından çok önemlidir. Bu sistemlerin klinik rutininde hekimlere zaman kazandırarak bir karar destek mekanizması rolü göreceğini düşünmekteyiz.
Özet (Çeviri)
Aim: One of the developments that have caused significant changes in our quality of life in recent years is AI. AI, which has contributed to many developments especially in the field of radiology, has also started to gain popularity in dentistry. In this study, we aimed to develop an automated method to detect and numbering teeth in CBCT images using DCNN. Material and Method: In our study, whose data set consists of 103 CBCT DICOM images, the success of Inception ResNet v2, Inception v2, and ResNet-101 architectures, which we applied with transfer learning techniques, in tooth detection and numbering were compared. Labeling of teeth on images was done using CranioCatch labeling software (CranioCatch, Eskisehir, Turkey). Success metrics for each model were calculated using the confusion matrix method. Results: For tooth detection and numbering; The sensitivity, precision, and F1 score values for the Inception v2 architecture are 0.9440, 0.9325, and 0.9382, respectively. The sensitivity, precision, and F1 score values for the Inception ResNet v2 architecture are 0.9438, 0.9567, and 0.9502, respectively. The sensitivity, precision, and F1 score values for the ResNet-101 architecture are 0.9450, 0.9380, and 0.9415, respectively. AUC values for Inception v2, Inception ResNet v2 and ResNet-101 are respectively; 0.9389, 0.9485 and 0.9493 were obtained. The architecture with the highest AUC value was ResNet-101. Conclusion: Our study is very important for the development of deep learning-based CBCT reporting systems to be made in the future. We think that these systems will play a role as a decision support mechanism by saving time for physicians in their clinical routine.
Benzer Tezler
- Derin öğrenme yöntemine dayalı yapay zekâ algoritmalarıyla panoramik radyografilerde incelenen sabit protetik restorasyonlar altında oluşan çürüklerin tespiti
Detection of caries formed under fixed prosthetic restorations examined on panoramic radiographs with artificial intelligence algorithms based on DEEP learning method
BETÜL AYHAN
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiKırıkkale ÜniversitesiProtetik Diş Tedavisi Ana Bilim Dalı
PROF. DR. SAADET SAĞLAM ATSÜ
- Finansal alanda yapay zekâ: Makine öğrenmesi algoritmalarıyla hisse senedi fiyat tahmini
Artificial intelligence in finance: Stock price prediction with machine learning algorithms
SHAHIDA BARATOVA
Yüksek Lisans
Türkçe
2024
İşletmeDokuz Eylül Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. SEVİNÇ GÜLER ÖZÇALIK
- Nesne kavrama becerilerinin derin pekiştirmeli öğrenme algoritmalarıyla geliştirilmesi
Developing object grasping skills with deep reinforcement learningalgorithms
MUSAB COŞKUN
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YAKUP DEMİR
DOÇ. DR. ÖZAL YILDIRIM
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Resource allocation mechanisms for end-to-end delay optimization of 5G URLLC services
5G URLLC hizmetlerinin uçtan uca gecikme optimizasyonu için kaynak aktarım mekanizmaları
HASAN ANIL AKYILDIZ
Doktora
İngilizce
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
DR. İBRAHİM HÖKELEK