Ortodontik tedavi öncesi hasta kooperasyonunun yapay zeka ile tahmini
Prediction of patient cooperation with artificial intelligence before orthodontic treatment
- Tez No: 759956
- Danışmanlar: DOÇ. DR. HASAN CAMCI
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Evrişimli sinir ağları, Kooperasyon, Yapay zeka, Artificial intelligence, Convolutional neural networks, Cooperation
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Afyonkarahisar Sağlık Bilimleri Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ortodonti Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 121
Özet
Amaç: Bu çalışmanın amacı hastanın ortodontik tedavi sırasında göstereceği işbirliğinin tedaviye başlamadan önce yapay zeka ile tahminin mümkün olup olmadığını test etmektir. Yöntem: kliniğimizde sabit ortodontik tedavi gören 230 hasta tedavilerinin 12. Ayında doktorları tarafından doldurulan ortodontik hasta kooperasyonu skalasına göre uyumlu ve uyumsuz olarak iki farklı gruba yerleştirilmiştir. Gruplandırılmış hastaların cephe fotoğrafları, el yazısı örnekleri ve ses kayıtları elde edildi. Toplanan bu veriler çeşitli makine öğrenimi algoritmaları ve yapay sinir ağı modelleri ile analiz edilerek yüz fotoğrafları, el yazısı ve sesin hasta kooperasiyonu ile ilişki ve hastanın kooperesyonunun tedaviye başlamadan önce tahmin edilebilirliği araştırılmıştır. Modellerin performansı ve başarı oranlarının yükseltilmesi için öğrenim aktarımı tekniği kullanılmıştır. Bulgular: Yüz fotoğraflarını değerlendiren modellerden Xception ve DenseNet %66.0 başarı oranıyla en iyi sonuç elde eden modeller olmuştur. El yazı örneklerini değerlendirmek amacıyla kullanılan modellerden InceptionResNet %72.0 ve NasNetMobile %70.0 ile en iyi performansı sergileyen modeller olmuştur. Ses verilerini değerlendirilmesinde ESA modeli ile birlikte Linear discriminant analizi, K'ya en yakın komşu, Destek vektör makinesi, Ekstra ağaç sınıflandırıcı ve Yığma sınıflandırıcı %57.0 başarı oranına ulaşarak en iyi performansı sergileyen algoritmalar olmuştur. Sonuçlar: Yüzün fizyonomi özellikleri, el yazısının özellikleri, sesin tonu ve frekansı kooperasyon tahmini için kullanılabilir. El yazısı; yüz ve sese göre kooperasyon ile ilgili daha çok bilgi taşımaktadır. El yazısı örnekleri, yüz fotoğrafları ve ses kayıtlarının değerlendirilmesinde yapay sinir ağlarıyla elde edilen en yüksek başarı oranı sırasıyla %72.0, %63.0 ve %57.0 olmuştur.
Özet (Çeviri)
Aim: The aim of this study is to test whether it can predict the patient's cooperation during orthodontic treatment with artificial intelligence before starting the treatment. Methods: According to the orthodontic patient cooperation scale that their physicians filled out in the 12th month of their treatment, 230 patients who had fixed orthodontic treatment in our clinic were split into two distinct groups cooperative and non-cooperative. Voice recordings, handwriting samples and facial photographs of the patients were obtained. These collected data were analyzed with various machine learning algorithms and artificial neural network models, and the relationship of facial photographs, handwriting, and voice with patient cooperation and the predictability of patient cooperation before starting treatment were investigated. The learning transfer technique was used to increase the performance and success rates of the models. Results: With a success percentage of 66.0%, Xception and DenseNet were the models that performed the best among those that assessed the face pictures. Among the models used to evaluate handwriting samples InceptionResNet (72.0%) and NasNetMobile (70.0%) were the best performing models. The algorithms that performed best in the assessment of sound data were the ESA model together with Linear Discriminant Analysis, K-Nearest Neighbor, Support Vector Machine, Extra Tree Classifier, and Stacking Classifier, with a success percentage of 57.0%. Conclusions: The physiognomy features of the face, features of handwriting, tone and frequency of the voice can be used for cooperation prediction. Handwriting; It carries more information about cooperation than face and voice. The highest success rate obtained with artificial neural networks in the evaluation of handwriting samples, face photographs and voice recordings was 72.0%, 63.0% and 57.0%, respectively.
Benzer Tezler
- Farklı tip vernik materyallerinin ortodontik braketler çevresinde gelişebilecek mine demineralizasyonlarını önleme etkinliklerinin değerlendirilmesi
Evaluating effectiveness of different varnishes on preventing demi̇neralization adjacent to orthodonti̇c brackets
TUĞBA ÇOLAK
Doktora
Türkçe
2013
Diş HekimliğiKırıkkale ÜniversitesiOrtodonti Ana Bilim Dalı
DOÇ. DR. İBRAHİM ERHAN GELGÖR
- Manyetik kuvvetler ve Ni-Ti open coil springlerin üst birinci molar distalizasyonundaki etkinliklerinin karşılaştırılması
Başlık çevirisi yok
ÖMER KOYUTÜRK
- Manyetik kuvvetler yardımı ile üst birinci molar distalizasyonunun incelenmesi
Başlık çevirisi yok
ERAY ERDOĞAN
- İntraosseoz vida destekli modifiye jones jig ve modifiye FCA (First Class Appliance) distalizasyon apareylerinin karşılaştırması
Comparison of modified jones jig and modified FCA (First Class Appliance) appliances supported by intraosseoz screw
KEMAL SOLMAZ
- Üst birinci molar distalizasyonunda open-coil jig ve süperelastik NiTi'nin sonuçlarının karşılaştırılması
Başlık çevirisi yok
MEHMET ALİ YEŞİL