Geri Dön

Sefalometrik noktaların derin öğrenme kullanarak otomatik tespiti

Automatic detection of cephalometric points using deep learning

  1. Tez No: 715056
  2. Yazar: MOHAMED NOURDINE MOGHAM NJIKAM
  3. Danışmanlar: DOÇ. DR. AHMET BABALIK, DR. ÖĞR. ÜYESİ BETÜL UZBAŞ, DR. ÖĞR. ÜYESİ AYŞE MERVE ACILAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Konya Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 72

Özet

Günümüzde her sektörde bilgisayarlar kullanılarak büyük miktarda veriler toplanmaktadır. Sağlık, savunma sanayi, uzay ve siber güvenlik gibi alanlarda makine öğrenmesi yöntemleri kullanılarak, toplanan bu veri yığınları yüksek başarı oranlarıyla raporlanıp bunlardan anlamlı bilgiler çıkarılabilmektedir. Medikal görüntü analizi alanında yapılan araştırmalara ilgi artmasıyla birlikte uzmanlar, kritik tıbbi analiz problemlerini ele almak için ilginç ve etkili yöntemlere yönelmiştir. Bu alanlardan biri de sefalometrik analizdir. Sefalometrik işaretler hastalık teşhisleri, oral ve maksillofasiyal cerrahi alanlarında değerlendirme ve kraniyofasiyal büyüme tahmini, tedavi planı, küratif etkisini değerlendirme ve farklı olguları karşılaştırmak için kullanılmaktadır. Bu tez çalışmasında Evrişimsel Sinir Ağları (ESA) kullanılarak sefalometrik noktalarının otomatik tespitini yapan bir U-Net modeli geliştirilmiştir. 2015 IEEE Uluslararası Biyomedikal Görüntüleme Sempozyumu içinde Sefalometrik X-ray Görüntü Analizi Yarışması'nın himayesinde oluşturulmuş sefalometrik görüntüler kullanılmıştır. Toplam 19 Sefalometrik nokta otomatik tespit edilmiştir. 2 mm aralığında 74,0% Başarılı Algılama Oranı (BAO), 2,5 mm aralığında 81,4%, 3 mm aralığında 86,3% ve 4mm aralığında ise 92,2% BAO elde edilmiştir.

Özet (Çeviri)

Today, large amounts of data are collected using computers in every sector. Using machine learning methods in areas such as networking, defense industry, space and cybersecurity, these data can be reported with high success rates and meaningful information can be extracted. With the increase in research in digital x-ray imaging, experts have successfully brought forward interesting and effective methods to address critical medical analysis problems. One of these fields is cephalometric analysis. Within the scope of the study of this thesis, a solution was presented with deep learning on cephalometric image analysis. Cephalometric analysis is used for disease diagnoses, evaluation in oral and maxillofacial surgery areas and craniofacial growth estimate, treatment plan, curative effect evaluation and comparison of different cases. In this thesis study, a U-Net model was developed that makes automatic detection of Cephalometric points using Convolutional Neural Networks. The data used in the scope of this research are obtained from the publicly available dataset provided during the 2015 ISBI Grand Challenge Training Dataset. 19 Cephalometric points are detected automatically. 74,0% Success Detection Rate was achieved in the range of 2 mm, 81,4% in the 2.5 mm range, 86,3% in the 3mm range and 92,2% in the 4mm range.

Benzer Tezler

  1. Gender and age detection by feature selection using resnet50 based on CNN algorithm

    Başlık çevirisi yok

    RAWA MOUSA HUSSEIN HUSSEIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GALİP CANSEVER

  2. Konik ışınlı bilgisayarlı tomografi görüntülerinden elde edilen lateral sefalometrik görüntüler üzerinde derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla sefalometrik noktaların tespiti

    Determination of cephalometric points with artificial intelligence algorithms developed by deep learning on lateral cephalometric images obtained from conic-beam computer tomography images

    SEDA SALİHA KAYRAK

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiEskişehir Osmangazi Üniversitesi

    Ortodonti Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET UĞURLU

  3. Konik ışınlı bilgisayarlı tomografi görüntülerinden elde edilen posteroanterior sefalometrik (Frontal) görüntüler üzerinde derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla sefalometrik noktaların tespiti

    Detection of cephalometric points with artificial intelligence algorithms improved by deep learning method on posteroanterior cephalometric (Frontal) images obtained from cone-beam computed tomography images

    GİZEM GÖZDE ÖZŞAHİN

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiEskişehir Osmangazi Üniversitesi

    Ortodonti Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET UĞURLU

  4. Ön açık kapanış vakalarında ortopedik amaçla kullanılan vertikal çeneliğin alt çene üzerindeki biyomekanik etkilerinin üç boyutlu sonlu elemanlar metodu ile incelenmesi

    Investigation of biomechanical effects of vertical chin cap on mandible in open bite cases by finite element method.

    ÖZER ALKAN

    Doktora

    Türkçe

    Türkçe

    2010

    Diş HekimliğiGazi Üniversitesi

    Ortodonti Ana Bilim Dalı

    PROF. DR. SEVİL AKKAYA

  5. Deri grefti ve diğer alloplastik greft materyalleriyle yapılan vestibuloplasti operasyonlarından sonra oluşan kontraksiyonun değerlendirilmesi

    Evaluation of wound contraction following vestibuloplasty operations, that skin graft and other alloplastic materials used

    YAVUZ EKİN

    Doktora

    Türkçe

    Türkçe

    2000

    Diş HekimliğiGazi Üniversitesi

    Ağız, Diş, Çene Hastalıkları ve Cerrahisi Ana Bilim Dalı

    PROF. DR. GÖKHAN H. ALPASLAN