Geri Dön

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

PDF İndir

  1. Tez No: 790764
  2. Yazar: GİZEM GÖZDE ÖZŞAHİN
  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: 98

Özet

Amaç: Bu çalışmanın amacı, konik ışınlı bilgisayarlı tomografi görüntülerinden elde edilen posteroanterior sefalometrik görüntüler üzerinde özel bir yapay zeka algoritması kullanılarak yapılan sefalometrik nokta tespitinin başarısını araştırmaktır. Materyal ve Metot: Çalışmamızın veri setini 1295 hastanın ortodontik tedavi öncesi alınan konik ışınlı bilgisayarlı tomografi görüntülerinden elde edilen posteroanterior sefalometrik radyograflar üzerinde özel bir yapay zeka algoritması kullanılarak işaretlenen iskeletsel ve dişsel sefalometrik noktalar oluşturmaktır. Görüntüler üzerinde sefalometrik noktaların etiketlenmesi CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanılarak yapılmıştır. Yapay zeka modelinin eğitimi, PyTorch uygulanan CNN tabanlı derin öğrenme yöntemi ile 300 Epoch kullanılarak gerçekleştirilmiştir. Modelin öğrenme oranı 0.0001 olarak belirlenmiştir. Bulgular: Çalışmada eğitilen yapay zeka modelinde en yüksek SDR değeri Antegonial Notch, L, Antegonial Notch, R ve Gonion, L noktalarında bulunmuştur. En düşük SDR değeri Crista Galli noktasında gözlemlenmiştir. SDR değeri 2 mm' lik aralıkta 6 nokta haricinde %80 üzerinde başarı oranı göstermiştir. 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 göreceği düşünülmektedir. Aynı zamanda sefalometrik noktaların tespiti sırasında, gözlemciler arası farkların ve gözlemcilerin farklı zamanlardaki değerlendirmelerinde oluşabilecek tutarsızlıkların minumuma indirilmesi konusunda çok yardımcı olacağı tahmin edilmektedir.

Özet (Çeviri)

Aim: The aim of this study is to investigate the success of cephalometric point detection using a special artificial intelligence algorithm on posteroanterior cephalometric images obtained from cone beam computed tomography images. Material and Method: The data set of our study is to create skeletal and dental cephalometric points marked using a special artificial intelligence algorithm on posteroanterior cephalometric radiographs obtained from cone beam computed tomography images taken before orthodontic treatment of 1295 patients. Labeling of cephalometric points on the images was done using CranioCatch labeling software (CranioCatch, Eskisehir, Turkey). The training of the artificial intelligence 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: In the artificial intelligence model trained in the study, the highest SDR value was found at Antegonial Notch, L, Antegonial Notch, R and Gonion, L points. The lowest SDR value was observed at Crista Galli. The SDR value showed a success rate of over %80, except for 6 points in the 2 mm interval. Conclusion: Our study is very important for the development of deep learning-based CBCT reporting systems to be made in the future. It is thought that these systems will play a role as a decision support mechanism by saving time for physicians in their clinical routine. At the same time, it is estimated that during the determination of cephalometric points, it will be very helpful in minimizing the differences between observers and the inconsistencies that may occur in the evaluations of the observers at different times.

Benzer Tezler

  1. 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

  2. Tez No

    843788

    Artiküler eminens pnömatizasyonu ile sfenoid sinüs pnömatizasyon ilişkisinin konik ışınlı bilgisayarlı tomografi görüntülerinde değerlendirilmesi

    Evaluation of articular eminence pneumatization and sphenoid sinus pneumatization relationship on cone-beam computed tomography images

    EZGİ KATI

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiHacettepe Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKÇEN AKÇİÇEK

  3. Tez No

    790763

    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

  4. Tez No

    820247

    Konik ışınlı bilgisayarlı tomografi görüntülerinden elde edilen pulpa hacmine dayalı tahmini yaş ile panoramik radyografi verilerine dayalı tahmini yaşın kronolojik yaşla doğruluğunun karşılaştırılması

    Comparison of chronological age accuracy between estimated age based on pulp volume derived from cone beam computed tomography images and estimated age based on panoramic radiography data

    YELDA POLAT

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiDicle Üniversitesi

    Çocuk Diş Hekimliği Ana Bilim Dalı

    PROF. DR. SEMA ÇELENK

  5. 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

Geri Dön