Panoramik radyografilerde dens invajinatus varlığının yapay zekâ modelleriyle tespiti
Detection of dens invaginatus in panoramic radiographs using artificial intelligence models
- Tez No: 870178
- Danışmanlar: DOÇ. DR. GÜLDANE MAĞAT
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Dens invajinatus, Faster R-CNN, nesne tespiti, YOLO, Dens invaginatus, Faster R-CNN, object detection, YOLO
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Necmettin Erbakan Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
- Bilim Dalı: Ağız, Diş Çene Radyolojisi Bilim Dalı
- Sayfa Sayısı: 92
Özet
Dişlerin biçim anomalilerinden biri olan dens invajinatus, formasyon döneminde diş germindeki minenin pulpaya doğru kıvrılmasıyla meydana gelir. En sık maksiller lateral dişlerde rastlanılan bu anomali bilateral olarak da görülebilir ve her iki dentisyonu etkileyebilmektedir. Pulpa nekrozu ve periapikal lezyon oluşumu ile sonuçlanabilen nadir bir malformasyon olduğundan erken teşhis edilerek koruyucu tedavilerin uygulanması, ağız ve diş sağlığı açısından önemlidir. Bu çalışmanın amacı panoramik radyografilerde dens invajinatus bulunan dişleri derin öğrenme algoritmalarıyla otomatik olarak tespit etmek ve algoritmaların başarılarını karşılaştırmaktır. Nesne tespiti için tek aşamalı nesne algılama modellerinden YOLO algoritmasının son sürümlerinden olan YOLOv8 ve YOLOv9, iki aşamalı nesne algılama modellerinden Faster R-CNN kullanılmıştır. Bu amaçla fakülte veritabanından dens invajinatus bulunan 400 panoramik radyografi toplanmış, %60 eğitim, %20 validasyon ve %20 test görüntüsü olacak şekilde ayılmıştır. Ağız, diş ve çene radyologları tarafından etiketlenip çeşitli augmentasyon yöntemleriyle arttırılan eğitim ve validasyon görüntüleri ile iyileştirilen modellere test aşaması için ayrılan görüntüler sorulmuş ve sonuçlar kesinlik, duyarlılık, F1 skor ve ortalama tespit süresini içeren performans kriterlerine göre değerlendirilmiştir. Test sonuçlarına göre YOLOv8 0,904 kesinlik, duyarlılık ve F1 skor elde etmiş ayrıca 0,041 ortalama tespit süresiyle en hızlı tespit yapan model olmuştur. Faster R-CNN modeli 0,912 kesinlik, 0,904 duyarlılık ve 0,907 F1 skor elde etmiş ve ortalama tespit süresi 0,1 sn olmuştur. YOLOv9 algoritması ise 0,946 kesinlik, 0,930 duyarlılık, 0,937 F1 skor değeri ile en başarılı performansı göstermiştir ve görüntü başına ortalama tespit süresi 0,158 sn olmuştur. Elde edilen sonuçlara göre tüm modeller %90'ın üzerinde başarı sağlamıştır. Tespit hızında YOLOv8, diğer performans kriterlerinde YOLOv9 nispeten daha başarılı bulunmuştur. Faster R-CNN tüm kriterlerde ikinci sırada yer almıştır.
Özet (Çeviri)
Dens invaginatus, one of the anomalies of tooth shape, occurs when the enamel in the tooth germ curves towards the pulp during the formation period. This anomaly, which is most commonly seen in maxillary lateral teeth, can also be seen bilaterally and can affect both dentitions. Since it is a rare malformation that can result in pulp necrosis and periapical lesion formation, early diagnosis and preventive treatments are important for oral and dental health. The aim of this study is to automatically detect teeth with dens invaginatus in panoramic radiographs using deep learning algorithms and to compare the success of the algorithms. YOLOv8 and YOLOv9, the latest versions of the YOLO algorithm, which are one-stage object detection models, and Faster R-CNN, a two-stage object detection model, were used for object detection. For this purpose, 400 panoramic radiographs with dens invaginatus were collected from the faculty database and divided into 60% training, 20% validation and 20% test images. The models, which were improved with training and validation images labeled by oral and maxillofacial radiologists and augmented with various augmentation methods, were asked for the images allocated for the test phase and the results were evaluated according to performance criteria including precision, recall, F1 score and inferance time. YOLOv8 achieved a precision of 0.904, recall of 0.904, and an F1 score of 0.904, along with the fastest detection time of 0.041 seconds on average. The Faster R-CNN model achieved a precision of 0.912, recall of 0.904, and an F1 score of 0.907, with an average inference time of 0.1 seconds. The YOLOv9 algorithm showed the most successful performance with a precision of 0.946, recall of 0.930, and an F1 score of 0.937, with an average detection speed of 0.158 seconds per image. According to the obtained results, all models achieved over 90% accuracy. YOLOv8 was found to be relatively more successful in detection speed, while YOLOv9 outperformed in other performance criteria. Faster R-CNN ranked second in all criteria.
Benzer Tezler
- Derin öğrenme yöntemiyle geliştirilmiş yapay zekâ algoritmalarıyla panoramik radyografilerde dens invaginatus tespiti
Detection of dens invaginatus in panoramic radiographs with artificial intelligence algorithms developed with deep learning method
ESRA NUR AKGÜL
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiAfyonkarahisar Sağlık Bilimleri ÜniversitesiÇocuk Diş Hekimliği Ana Bilim Dalı
DOÇ. DR. BURCU GÜÇYETMEZ TOPAL
- Ekstraoral ve intraoral radyografilerle dental anomalilerin sıklık ve dağılımlarının değerlendirilmesi
Ekstraoral ve intraoral radyografilerle dental anomalilerin siklik ve dağilimlarinin değerlendirilmesi
PINAR GÖKÇEN YÜCESAN
Diş Hekimliği Uzmanlık
Türkçe
2017
Diş HekimliğiKaradeniz Teknik ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DOÇ. DR. SAADETTİN KAYIPMAZ
- Farklı maloklüzyonlara sahip ortodonti hastalarında dental anomalilerin prevelansı ve dağılımı-retrospektif çalışma
Prevalence and distribution of dental anomalies in orthodontic patients with different malocclusions - a retrospective study
YUSUF KÖR
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiHatay Mustafa Kemal ÜniversitesiOrtodonti Ana Bilim Dalı
DOÇ. DR. FUNDAGÜL BİLGİÇ ZORTUK
- Panoramik radyografilerde daimi diş germi eksikliği, supernumere diş, gömülü diş ve retine diş varlığının incelenmesi
Radiographic evaluation of dental agenesis, supernumerary teeth, impactedteeth and retained primary teeth on children
PINAR KINAY
Diş Hekimliği Uzmanlık
Türkçe
2015
Diş HekimliğiGazi ÜniversitesiÇocuk Diş Hekimliği Ana Bilim Dalı
PROF. DR. AYŞEGÜL ÖLMEZ
- Panoramik radyografilerde apikal lezyonların segmentasyon ve tespitinde derin öğrenme modellerinin başarı oranlarının incelenmesi
Investigation of success rates of deep learning models in segmentation and detection of apical lesions in panoramic radiographs
ALPEREN YALIM
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş Hekimliğiİzmir Katip Çelebi ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DOÇ. DR. EMRE AYTUĞAR