Derin öğrenme yaklaşımı ile mandibular kanal ve üçüncü mandibular molar ilişkisinin CBCT ile değerlendirilmesi
Evaluation of the mandibular canal and the third mandibular molar relationship by CBCT with a deep learning approach
- Tez No: 869560
- Danışmanlar: PROF. DR. FİLİZ MEDİHA NAMDAR PEKİNER
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Deep learning, artificial intelligence, CBCT, mandibular canal, mandibular third molar
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 98
Özet
Amaç: Mandibular kanal kemik içerisinde sağ ve solda olmak üzere, tüp şeklinde ve içerisinde inferior alveolar siniri bulunduran anatomik yapıdır. İnferior alveolar sinir, mandibulada sıklıkla gerçekleştirilen dentoalveolar cerrahi işlemlerden biri olan mandibular üçüncü molar dişin çekiminde önemli olup bu işlem sırasında inferior alveolar sinir paralizi en büyük komplikasyondur. Mandibular üçüncü molar diş ile kanalın ilişkisinin en net izlenebildiği görüntüleme tekniği konik ışınlı bilgisayarlı tomografidir (CBCT). Günümüzde yapay zekanın bir alt kümesi olan derin öğrenme, hızlı bir gelişim içerisinde olup diş hekimliği alanında da önemli başarılar elde edilmiştir. Bu çalışmanın amacı da derin öğrenme yaklaşımı ile mandibular kanal ve üçüncü mandibular molar ilişkisinin CBCT ile değerlendirilmesidir. Gereç ve Yöntem: Bu restrospektif çalışmada veri setini Marmara Üniversitesi Diş Hekimliği Fakültesi Ağız, Diş ve Çene Radyolojisi AD'ı arşivinde mevcut olan 18 yaş ve üzeri 300 hastaya ait CBCT oluşturmuştur. Etiketlemeler segmentasyon yöntemiyle yapılmış olup veri setleri eğitim (n=270), ve test (n=30) veri setleri olmak üzere 2'ye ayrılmıştır. nnU-NetV2 mimarisiyle eğitim ve test veri setleri optimal yapay zeka algoritması ağırlık faktörlerini tahmin etmek ve üretmek için kullanılmıştır. Modelin başarısı test veri setiyle kontrol edilmiş olup elde edilen doğruluk, duyarlılık, kesinlik ve Dice skoru, Jaccard endeksi ve AUC değerleri modelin başarısı hakkında bilgi vermiştir. Bulgular: CBCT üzerinde etiketlenen gömülü mandibular üçüncü molar için doğruluk 0.99, duyarlılık 0.90, kesinlik 0.85, Dice skoru 0.85, Jaccard endeksi 0.78, AUC değeri 0.95 olarak saptanmıştır. Mandibular kanal değerlendirilmesinde doğruluk 0.99, duyarlılık 0.75, kesinlik 0.78, Dice skoru 0.76, Jaccard endeksi 0.62, AUC değeri 0.88 olarak belirlenmiştir. Mental foramen değerlendirilmesinde elde edilen değerler; doğruluk 0.99, duyarlılık 0.64, kesinlik 0.66, Dice skoru 0.64, Jaccard endeksi 0.57, AUC değeri 0.82'dir. Mandibular foramen değerlendirilmesinde doğruluk 0.99, duyarlılık 0.79, kesinlik 0.68 ve Dice skoru 0.71, AUC değeri 0.90 olarak bulgulanmıştır. Mandibular üçüncü molar ile mandibular kanal arasındaki ilişkinin değerlendirilmesinde gözlemci ile model arasında %80 korelasyon izlenmiştir. Sonuc: Derin öğrenme tabanlı nnU-NetV2 mimarisi kullanılarak yapılan değerlendirme ile, gömülü mandibular üçüncü molar, mandibular kanal, mental foramen, mandibular foramen ile mandibular kanal ve mandibular üçüncü molar ilişkisi CBCT ile yüksek doğrulukla tespit edilmiştir. Derin öğrenme modelleri gerçekleştirilecek cerrahi işlemler öncesinde bu anatomik yapıların değerlendirilmesinde diş hekimlerine yardımcı olacaktır. Anahtar Sözcükler: Derin öğrenme, yapay zeka, CBCT, mandibular kanal, mandibular üçüncü molar, mental foramen, mandibular foramen
Özet (Çeviri)
Objective: The mandibular canal is an anatomical structure in the form of a tube containing the inferior alveolar nerve. Extraction of the mandibular third molar tooth, is one of the dentoalveolar surgical procedures frequently performed in the mandible, and inferior alveolar nerve paralysis is the biggest complication during this procedure. The imaging technique in which the relationship between the mandibular third molar tooth and the canal can be observed most clearly is cone beam computed tomography (CBCT). Today, deep learning, a subset of artificial intelligence, is in rapid development and significant success has been achieved in the field of dentistry. The aim of this study is to evaluate the mandibular canal and third mandibular molar relationship with CBCT using a deep learning approach. Materials and Methods: In this retrospective study, the data set was composed of CBCTs of 300 patients aged 18 and over, available in the Marmara University Faculty of Dentistry Oral and Maxillofacial Radiology archives. Labeling was done with the segmentation method and the data sets were divided into two: training (n = 270) and test (n = 30) data sets. With the nnU-NetV2 architecture, training and test data sets were used to estimate and produce optimal artificial intelligence algorithm weight factors. The success of the model was checked with the test data set, and the obtained accuracy, sensitivity, precision, Dice score, Jaccard index and AUC values provided information about the success of the model. Result: For the impacted mandibular third molar annotated on CBCT, the accuracy was 0.99, sensitivity 0.90, precision 0.85, Dice score 0.85, Jaccard index 0.78, AUC value 0.95. In mandibular canal evaluation, accuracy was 0.99, sensitivity 0.75, precision 0.78, Dice score 0.76, Jaccard index 0.62, AUC value 0.88. For the evaluation of mental foramen; accuracy 0.99, sensitivity 0.64, precision 0.66, Dice score 0.64, Jaccard index 0.57, AUC value 0.82. In the evaluation of mandibular foramen, accuracy was found to be 0.99, sensitivity 0.79, precision 0.68, Dice score 0.71, and AUC value 0.90. Evaluating the relationship between the mandibular third molar and the mandibular canal, 80% correlation found between the observer and the model. Conclusion: The results obtained demonstrate that evaluations using the deep learning-based nnU-NetV2 architecture enable highly accurate identification of the relationship between the mandibular canal and impacted third molar in CBCT images. Deep learning algorithms will assist physicians in diagnosing, planning, and predicting complications in surgical procedures.
Benzer Tezler
- Dental panoramik radyografilerde derin öğrenme tabanlı segmentasyon yaklaşımları
Deep learning based segmentation approaches on dental panoramic radiographies
NİDA KUMBASAR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
PROF. İBRAHİM YÜCEL ÖZBEK
- Daimi dentisyonda mandibular ikinci molar dişlerin kök oluşum seviyelerinin yapay zekâ ile değerlendirilerek çekim endikasyonu olan birinci molar dişlerin ideal çekim zamanının belirlenmesi
In permanent dentition determination the ideal extraction time of first molar teeth by evaluation of root formation levels of mandibular second molars with arti̇ficial intelligence
AYŞE MERYEM ALTIN
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiBezm-i Alem Vakıf ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İRFAN SARICA
- Derin öğrenme yaklaşımı ile malaria (sıtma) hastalığı görüntülerinin sınıflandırılması
Classification of malaria disease images using deep learning approach
MOHANAD MOHAMMED QANBAR
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilişim Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR
- Derin öğrenme yaklaşımı ile fındık meyvesinin sınıflandırılması
Classification of hazelnut fruit with a deep learning approach
ENGİN GÜNEŞ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. EYÜP EMRE ÜLKÜ
DOÇ. DR. KAZIM YILDIZ
- Building detection from very high resolution satellite images with deep learning approach
Derin öğrenme yaklaşımı ile çok yüksek çözünürlüklü uydu görüntülerinde bina tespiti
ESRA ÖZAYDIN
Yüksek Lisans
İngilizce
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL