Geri Dön

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

PDF İndir

  1. Tez No: 790763
  2. Yazar: SEDA SALİHA KAYRAK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET UĞURLU
  4. Tez Türü: Diş Hekimliği Uzmanlık
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Eskişehir Osmangazi Üniversitesi
  10. Enstitü: Diş Hekimliği Fakültesi
  11. Ana Bilim Dalı: Ortodonti Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 77

Özet

Amaç: Günümüzde insan beyninin işleyişini taklit etme ilkelerine dayanan yeni teknolojiler geliştirilmiştir. Bunlar esas olarak yapay zeka (AI) teknolojilerine dayanmaktadır. Bu araştırmanın amacı, özel bir yapay zeka (AI) algoritması kullanarak yapılan sefalometrik landmark tespitinin başarısını araştırmaktır. Çalışmamızda ortodontik landmark tayininde oluşabilecek gözlemciler arası farkların ve gözlemcilerin farklı zamanlardaki değerlendirmelerinde gözlenebilecek tutarsızlıkların özel bir yapay zeka algoritması kullanılarak yapılan hataların minimuma indirilmesini amaçladık. Materyal ve Metod: Veri seti hastaların tedavi öncesi alınan KIBT görüntülerinden elde edilmiş sefalometrik radyograf görüntüsünden oluşan çalışmamızda Pytorch mimarisinin radyograflar üzerinde ortodontik ölçüm tayininde kullanılan iskeletsel, dişsel ve yumuşak doku noktalarını belirlemedeki başarısını karşılaştırdık. Görüntüler üzerinde sefalometrik noktalrın etiketlenmesi CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanılarak yapıldı. AI modelinin eğitimi, PyTorch uygulanan CNN tabanlı derin öğrenme yöntemi ile 300 Epoch kullanılarak gerçekleştirildi. Modelin öğrenme oranı 0.0001 olarak belirlendi. Bulgular: En yüksek SDR puanı 2 mm, 2.5 mm, 3 mm ve 4 mm ile Columella(Cm), Mandibular 1.moların mesiali(Md6m) ve Yumuşak doku B(B') noktasından sırasıyla 100, 100, 100 ve 100 olarak elde edildi. Cm'nin MRE ± SD değeri 0.78 ± 0.41, Md6m'nin MRE±SD değeri 0,74±0,38 ve B'nin MRE ± SD değeri 0,72±0.38 olarak bulundu. En düşük SDR puanı olan 2 mm, 2,5 mm, 3 mm ve 4 mm Pterygoid(Pt) noktasından sırasıyla 65,2, 77.8, 85.2 ve 94.7 olarak elde edildi. Pt'nun MRE ± SD değeri 1.731±1.17 olarak bulundu. Sonuç: İleriki dönemlerde yapılacak olan derin öğrenme altyapılı KIBT raporlama programlarının gelişmesi bakımından çalışmamız çok önemlidir. Bu programların rutin klinik uygulamalarda hekimlere zaman kazandırarak karar destek sistemi rolü olacağını öngörmekteyiz.

Özet (Çeviri)

Aim: Today, new technologies have been developed based on the principles of imitating the functioning of the human brain. These are mainly based on artificial intelligence (AI) technologies. The aim of this research is to investigate the success of cephalometric landmark detection using a special artificial intelligence (AI) algorithm. In our study, it is aimed to minimize the errors made by using a special artificial intelligence algorithm for the differences between observers that may occur in the determination of orthodontic landmarks and the inconsistencies that can be observed in the evaluations of the observers at different times. Material and Method: In our study, whose data set consists of cephalometric radiograph images obtained from CBCT images of patients before treatment, the success of Pytorch architecture in determining the skeletal, dental and soft tissue points used in the determination of orthodontic measurements on radiographs was compared. Labeling of cephalometric points on images was done using CranioCatch labeling software (CranioCatch, Eskişehir, Turkey). The training of the AI model was carried out using 300 Epochs with the CNN-based deep learning method applied to PyTorch. The learning rate of the model was determined as 0.0001. Results: The highest SDR score of 2 mm, 2.5 mm, 3 mm and 4 mm was obtained from Columella (Cm), Mandibular 1st molar mesial (Md6m) and Soft tissue B(B') points as 100, 100, 100 and 100, respectively. The MRE ± SD of Cm was 0.78 ± 0.41, the MRE±SD of Md6m was 0.74±0.38, and the MRE ± SD of B was 0.72±0.38. The lowest SDR score was obtained from the 2 mm, 2.5 mm, 3 mm and 4 mm Pterygoid(Pt) points as 65.2, 77.8, 85.2 and 94.7, respectively. MRE ± SD of Pt was found to be 1.731±1.17. Conclusion: Our study is very important in terms of the development of CBCT reporting programs with deep learning infrastructure to be made in the future. We anticipate that these programs will have a role in decision support system by saving time for physicians in routine clinical practices.

Benzer Tezler

  1. Tez No

    808040

    Konı̇k ışınlı bı̇lgı̇sayarlı tomografı̇ görüntülerı̇nden elde edı̇len lateral sefalometrı̇k radyograflar üzerı̇nden derı̇n öğrenme yöntemı̇yle gelı̇ştı̇rı̇lmı̇ş yapay zeka algorı̇tmalarıyla servı̇kal vertebra maturasyonunun değerlendı̇rı̇lmesı̇

    Detection of cervical vertebrae maturation with artificial intelligence algorithms improved by deep learning method on lateral cephalometric images obtained from cone-beam computed tomography images

    İREM BALCI İNCEBEYAZ

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiEskişehir Osmangazi Üniversitesi

    Ortodonti Ana Bilim Dalı

    DOÇ. DR. MEHMET UĞURLU

  2. Tez No

    808042

    Konik ışınlı bilgisayarlı tomografi görüntüleri üzerinden derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla faringeal havayolu değerlendirilmesi

    Evaluation of the pharyngeal airway with artificial intelligence algorithms improved by deep learning method on cone-beam computed tomography images

    BATUHAN KULELİ

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiEskişehir Osmangazi Üniversitesi

    Ortodonti Ana Bilim Dalı

    DOÇ. DR. MEHMET UĞURLU

  3. Tez No

    460406

    Türk toplumunda üç boyutlu sefalometrik normların oluşturulması

    Creation of three dimensional sephalometric norms in Turkish society

    ÖZÜM DAŞDEMİR ÖZKAN

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2017

    Diş HekimliğiKırıkkale Üniversitesi

    Ortodonti Ana Bilim Dalı

    PROF. DR. FERABİ ERHAN ÖZDİLER

  4. Tez No

    552580

    Tam kafa ve sınırlı alan ışınlanarak birleştirilen konik ışınlı bilgisayarlı tomografi görüntülerinde yapılan lineer ölçümlerin doğruluğunun araştırılması

    Comparison of the accuracy of full head cone beam ct images obtained using A large field of view and stitched images

    MEHMET ÖZGÜR ÖZEMRE

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2017

    Diş HekimliğiBaşkent Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. AYŞE GÜLŞAHI

  5. Tez No

    626633

    Ardışık hızlı genişletme-daraltma protokolü ile tedavi edilen maksiller sınıf III maloklüzyonda iskeletsel değişikliklerin konik ışınlı bilgisayarlı tomografi ile incelenmesi

    Changes of skeletal structures in class III malocclusion associated with maxillary retrusion treated by alt-ramec protocol by using cbct

    GİZEM GÜL TANIŞ

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2018

    Diş HekimliğiAnkara Üniversitesi

    Ortodonti Ana Bilim Dalı

    PROF. DR. HATİCE GÖKALP

Geri Dön