Geri Dön

Servikal vertebral ölçümler ve makine öğrenmesi algoritmaları ile elde edilen iskelet yaşının, el bilek radyografilerinden elde edilen iskelet yaşı ve maturasyon dönemi ile karşılaştırmalı olarak değerlendirilmesi

Comparative evaluation of skeletal age obtained by cervical vertebral measurements and machine learning algorithms with skeletal age and maturation period obtained from hand wrist radiographs

  1. Tez No: 800864
  2. Yazar: İREM KARAMEHMETOĞLU
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MERVE GONCA
  4. Tez Türü: Diş Hekimliği Uzmanlık
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: Büyüme ve gelişim, makine öğrenmesi, regresyon, servikal vertebra, iskelet yaşı, Growth and development, machine learning, regression, cervical vertebra, skeletal age
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Recep Tayyip Erdoğan Üniversitesi
  10. Enstitü: Diş Hekimliği Fakültesi
  11. Ana Bilim Dalı: Ortodonti Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 163

Özet

Amaç: Bu çalışmanın amacı; servikal vertebralarda yapılan ölçümlerin, makine öğrenmesi algoritmaları kullanarak, Fishman büyüme gelişim sınıflamasında (evre 1, evre 2, evre 3) kullanılabilirliğinin değerlendirilmesi (çalışma çıktısı 1) ve servikal vertebralarda yapılan ölçümlerden, regresyon analizi ile elde edilen iskelet yaşının, el-bilek radyografilerinden (Greulich ve Pyle methodu ile) elden edilen iskelet yaşı ile karşılaştırılmasıdır. (çalışma çıktısı 2). Gereç ve Yöntem: Bu çalışmaya 7-18 yaş aralığında, aynı gün çekilmiş lateral sefalometrik ve el-bilek radyografileri bulunan 794 birey dahil edildi. Bireylerin el-bilek iskelet yaşı Greulich ve Pyle atlası ile, matursyon dönemi ise Fishman'ın SMI kriterlerine göre belirlendi. Lateral sefalometrik radyografilerde C2, C3 ve C4 vertebraları üzerinde 144 ölçüm (44 lineer, 9 açısal, 91 oransal) yapıldı. Çalışma çıktısı 1 kısmında 6 farklı dataset üzerinden, servikal vertebralarda yapılan ölçümler yapay zeka algoritmaları ile Fishman sınıflamasına göre evre 1/2/3 olarak sınıflandırıldı. Kullanılan yapay zeka algoritmaları DVM (Destek Vektör Makinesi), GBM (Gradyan Güçlendirme Makinesi), MLP (Çok katmanlı Algılayıcı Sinir Ağı)'dir. Çalışma çıktısı 2 kısmında ölçülen parametreler üzerinden 4 farklı datasette regresyon analizi ile servikal vertabra iskelet yaşı elde edildi. Regresyon analizi için Ridge, Lasso ve Elastik Net regresyon yöntemleri kullanıldı. Çalışma sonuçları R2 (açıklanabilirlik düzeyi) üzerinden değerlendirildi. Bulgular: Çalışma çıktısı 1'de; Ham veri sınıflamasında en başarılı algoritma MLP olurken, türetilmiş veride DVM algoritması daha başarılı bulunmuştur. Oluşturulan datasetlere kronolojik yaş ve cinsiyet değişkenlerinin eklenmesi algoritmaların sınıflama başarısını arttırmıştır. Tüm algorimalarda en başarılı sonuç evre 3'te elde edilmiştir. Çalışma çıktısı 2'de; iskelet yaşını belirlemede en başarılı model Lasso regresyon analizi ile ham veri datasetlerinde elde edilmiştir. En başarılı modelde erkekler için iskelet yaşı: 0,185*FVD Distance+ 0,534*FiVD Distance+ 0,019*PH3 Distance+ 0,448*SVD Distance+ 0*TVD Distance+ 0,647*TVup-TVlp Distance+ 0*UW3 Distance+ 0,259*Y3 Distance+ 0,868 (R2=0,783), kızlar için iskelet yaşı: 0,481*FiVD Distance+ 0,935*FVD Distance+ 0,614*SVD Distance+ 0*TVpm-TVam Distance+ 0,513*TVum-TVd Distance - 0,149*UW4 Distance - 0,065*UW5 Distance+ 0,494*Y3 Distance+ 1,892 (R2=0,741) şeklinde oluşturulmuştur. Sonuç: Çalışma çıktısı 1'in bulgularına göre; vertebral ölçümler maturasyon dönemini tahmin etmede tek başına yeterli olmamakla birlikte, yaş ve cinsiyet değişkenlerinin eklenmesiyle sınıflandırma için kullanılabilir bir araç olarak değerlendirilebilir. Çalışma çıktısı 2'den elde edilen bulgular sonucunda ise, ham veri parametreleri kullanılarak elde edilen iskelet yaşının kullanılabilir bir yöntem olduğu söylenebilir.

Özet (Çeviri)

Aim: In study output 1, our aim is to evaluate the usability of Fishman growth and development classification (stage 1, stage 2, stage 3) by using machine learning algorithms in the measurement made on cervical vertebrae. In study output 2, it is aimed to compare the skeletal age obtained by regression analysis from measurements made in cervical vertebrae with the skeletal age obtained from hand-wrist radiographs. Material and Method: A total of 794 individuals aged 7-18 years with lateral cephalometric and hand-wrist radiographs taken on the same day were included in this study. Hand and wrist skeletal age of individuals was determined by Greulich and Pyle atlas, and maturation period was determined according to Fishman's SMI criteria. 144 measurements (44 linear, 9 angular, 91 proportional) on C2, C3 and C4 vertebrae on lateral cephalometric radiographs. Measurements made on cervical vertebrae over 6 different datasets in part 1 of the study were classified as stage 1/2/3 according to Fishman classification with artificial intelligence algorithms. The artificial intelligence algorithms used are DVM (Support Vector Machine), GBM (Gradient Enhancement Machine), MLP (Multilayer Perceptual Neural Network). Cervical vertebral skeletal age was obtained by regression analysis in 4 different datasets over the parameters measured in the 2 part of the study output. Ridge, Lasso and Elastic Net regression methods were used for regression analysis. Study results were evaluated on R2 (explainability level). Results: In the work output 1; While MLP was the most successful algorithm in raw data classification, SVM algorithm was found to be more successful in derived data. Adding chronological age and gender variables to the created datasets increased the classification success of the algorithms. In all algorithms, the most successful result was obtained in stage 3. In the work output 2; the most successful model in determining skeletal age was obtained in raw data datasets with Lasso regression analysis. Skeletal age for boys in the most successful model: 0.185*FVD Distance+ 0.534*FiVD Distance+ 0.019*PH3 Distance+ 0.448*SVD Distance+ 0*TVD Distance+ 0.647*TVup-TVlp Distance+ 0*UW3 Distance+ 0.259*Y3 Distance+ 0.868 (R2=0.783), skeletal age for girls: 0.481*FiVD Distance+ 0.935*FVD Distance+ 0.614*SVD Distance+ 0*TVpm-TVam Distance+ 0.513*TVum-TVd Distance - 0.149*UW4 Distance - 0.065*UW5 Distance+ 0.494*Y3 Distance+ 1.89721(R2=0,741). Conclusion: According to the findings of study output 1; vertebral measurements are not sufficient to predict the maturation period but can be considered as a tool together with age and gender variables. As a result of the findings obtained from the study output 2, it can be said that the skeletal age obtained by using the raw data parameters is a usable method.

Benzer Tezler

  1. Yedinci servikal vertebranın antropometrik ölçümleri ile makine öğrenme algoritmaları kullanılarak cinsiyet tayini üzerine bir çalışma

    A study on gender determination with machine learning algorithms by making anthropometric measurements of the seventh cervical vertebra

    ESRA ÇETİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    AnatomiKarabük Üniversitesi

    Anatomi Ana Bilim Dalı

    DOÇ. DR. ZÜLAL ÖNER

  2. Birinci servikal vertebranın antropometrik ölçümleri ile makine öğrenme algoritmaları kullanılarak cinsiyet tayını üzerine bir çalışma

    A study on gender determination with machine learning algorithms by making anthropometric measurements of the first cervical vertebra

    MENŞURE ÖZTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    AnatomiKarabük Üniversitesi

    Anatomi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMED KAMİL TURAN

  3. İkinci servikal vertebranın antropometrik ölçümleri ile makine öğrenme algoritmaları kullanılarak cinsiyet tayini üzerine bir çalışma

    A study on gender determination with machine learning algorithms by making anthropometric measurements of the second cervical vertebra

    HATİCE YENİGÜL

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    AnatomiKarabük Üniversitesi

    Anatomi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMED KAMİL TURAN

  4. Subaksiyel servikal pedikül vidası malpozisyonun vertebral arter hasarıyla ilişkisinin kadavra üzerinde incelenmesi

    Analysis of relationship between subaxial pedicle screw malposition and vertebral artery injury on cadaver

    ÖZCAN SÖNMEZ

    Tıpta Yan Dal Uzmanlık

    Türkçe

    Türkçe

    2023

    NöroşirürjiMarmara Üniversitesi

    Beyin ve Sinir Cerrahisi Ana Bilim Dalı

    DOÇ. DR. YAHYA GÜVENÇ

  5. Servikal spondilotik myelopatinin tanı ve tedavisinde dinamik servikal MR'ın önemi

    The importance of dynamic cervical MRI in the diagnosis and treatment of cervical spondylotic myelopathy

    MUSTAFA NEVZAT FİRİDİN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2009

    NöroşirürjiSağlık Bilimleri Üniversitesi

    Beyin ve Sinir Cerrahisi Ana Bilim Dalı

    PROF. DR. SEDAT DALBAYRAK