Geri Dön

Derin öğrenme yöntemi ile panoramik radyografilerdeki lezyonların tespiti

Detection of lesions on panoramic radiographs using deep learning method

  1. Tez No: 875987
  2. Yazar: DİLEK ÇOBAN
  3. Danışmanlar: DOÇ. DR. YASİN YAŞA
  4. Tez Türü: Diş Hekimliği Uzmanlık
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Ordu Üniversitesi
  10. Enstitü: Diş Hekimliği Fakültesi
  11. Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 134

Özet

Amaç: Bu çalışmanın amacı derin öğrenme yöntemi ile panoramik radyografilerdeki lezyonların tespit performansını değerlendirmektir. Gereç ve Yöntem: Bu çalışmada Ordu Üniversitesi Diş Hekimliği Fakültesi Ağız, Diş ve Çene Radyolojisi Anabilim Dalı'na çeşitli sebeplerle başvuran 18 yaş üstü hastaların panoramik radyografileri retrospektif olarak incelenmiştir. Lezyon bulunan toplam 2371 panoramik radyografi radyolusent ve radyoopak olarak iki ayrı veri setine ayrılmıştır. Radyolusent lezyon veri setinde 1325 panoramik radyografi, 1561 etiket; radyoopak lezyon veri setinde ise 1046 panoramik radyografi, 1323 etiket bulunmaktaydı. Lezyon sınırları çerçeve içerisine alınarak ve lezyon bölgesi belirlenerek etiketleme yapılmıştır. Lezyonları tespit etmek için YOLOv8 algoritması kullanılmıştır. Görüntüler yapay zekâda değerlendirilirken 3 farklı senaryo oluşturulmuştur. 1. senaryoda radyolusent ve radyoopak lezyonların tespit performansı değerlendirilmiştir. 2. senaryoda radyolusent ve radyoopak lezyon veri setleri lokalizasyonlarına göre değerlendirilmiştir. 3. senaryoda ise tüm veri seti içerisinde radyolusent ve radyoopak lezyonların tespit performansı değerlendirilmiştir. Bu çalışmada veri setlerinin %70'i eğitim, %15'i doğrulama, %15'i test için kullanılmıştır. Sonuçlar kesinlik, duyarlılık ve F-1 skorunu içeren performans kriterlerine göre değerlendirilmiştir. Bulgular: Çalışmada radyolusent lezyonlar için 0.91 kesinlik, 0.72 duyarlılık ve 0.8 F1-skoru elde edilmiştir. Radyolusent lezyonların lokalizasyonlarına göre tespit skorlarına bakıldığında kesinlik, duyarlılık ve F1-skorlarının mandibula posteriorda sırasıyla 0.75, 0.74, 0.74 değerleriyle en yüksek skorlara sahip olduğu görülmüştür. En düşük skorların ise sırasıyla 0.57, 0.17 ve 0.26 skorlarıyla maksilla posterior bölgede olduğu tespit edilmiştir. Radyoopak lezyonlar için 0.73 kesinlik, 0.69 duyarlılık ve 0.71 F1-skor değeri elde edilmiştir. Ek olarak radyolusent lezyonlara benzer şekilde radyoopak lezyonlarda da en yüksek skorların mandibula posteriorda olduğu tespit edilmiştir. Tüm veri setinin birlikte değerlendirilmesinin model performansını düşürdüğü görülmüştür. Sonuç: Elde edilen sonuçlara göre YOLOv8 algoritması panoramik radyografilerdeki lezyonların tespitinde kullanılabilir.

Özet (Çeviri)

Aim: The aim of this study was to evaluate the performance of a deep learning method for the detection of lesions on panoramic radiographs. Material and Method: In this retrospective study, the panoramic radiographs of patients over the age of 18 who had applied to the Department of Oral and Maxillofacial Radiology at Ordu University Faculty of Dentistry were analyzed. A total of 2371 panoramic radiographs with lesions were divided into two separate data sets: radiolucent and radiopaque. The radiolucent lesion dataset comprised 1325 panoramic radiographs and 1561 labels, whereas the radiopaque lesion dataset included 1046 panoramic radiographs and 1323 labels. The lesion borders were delineated and labeled by identifying the lesion area. The YOLOv8 algorithm was used to detect lesions. To evaluate the images, three different scenarios were developed. In the first scenario, the detection of radiolucent and radiopaque lesions was evaluated. In the second scenario, radiolucent and radiopaque lesions were evaluated based on their localization. In the third scenario, the detection performance of radiolucent and radiopaque lesion in the entire dataset was evaluated. 70% of the dataset was utilized for training, 15% for validation, and 15% for testing. The precision, recall, and F1-score measures were employed to assess model success. Results: The precision, recall, and F1-score for the detection of radiolucent lesions were 0.91, 0.72, and 0.80, respectively. When detection scores were analyzed based on the localization of radiolucent lesions, it was discovered that the posterior mandible had the highest precision, recall, and F1-scores, with values of 0.75, 0.74, and 0.74, respectively. The lowest scores were 0.57, 0.17, and 0.26, respectively, in the posterior maxilla. The precision, recall, and F1-score for the detection of radiopaque lesions were 0.73, 0.69, and 0.71, respectively. In addition, similar to radiolucent lesions, the highest values in radiopaque lesions were in the posterior mandible. It was observed that the performance of the model was negatively affected when the entire data set was evaluated collectively. Conclusion: The results of the study indicate that the YOLOv8 algorithm can be utilized to detection lesions in panoramic radiographs.

Benzer Tezler

  1. Maksillofasial bölgede radyoopak ve radyolusent görüntü veren lezyonlarda yapay zeka modellerinin etkinliğinin panoramik radyografiler üzerinde değerlendirilmesi

    The effectiveness of artificial intelligence models on radiopaque and radiolucent lesions in the maxillofacial region on panoramic radiography

    ZEYNEP TURANLI TOSUN

    Doktora

    Türkçe

    Türkçe

    2024

    Diş HekimliğiAtatürk Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. MUHAMMED AKİF SÜMBÜLLÜ

  2. Panoramik radyografide diş çürükleri tespitinde derin öğrenme sistemlerinin değerlendirilmesi

    Evaluation of deep learning systems in detection of dental caries in panoramic radiography

    HATİCE BİLTEKİN

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2022

    Diş HekimliğiZonguldak Bülent Ecevit Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GEDİZ GEDUK

  3. Derin öğrenme yöntemi kullanılarak geliştirilen yapay zekâ uygulamasıyla çocuklardan alınan panoramik radyografilerde çürük dişlerin tespiti

    Determination of caries teeth in panoramic radiographs taken from children with artificial intelligence developed by using deep learning method

    ESRA AŞÇI

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2021

    Diş HekimliğiAtatürk Üniversitesi

    Pedodonti Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MÜNEVVER KILIÇ

  4. Diş yapısının ve özelliklerinin belirlenmesinde panoramik radyografi görüntülerinin yapay öğrenme yöntemleri ile analizi

    Analysis of panoramic radiography images with artificial learning methods in determination of teeth structure and features

    AHMET KARAOĞLU

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CANER ÖZCAN

  5. Derin öğrenme yöntemi ilepanoramik radyografilerdesüt dişlerinin tespiti ve numaralandırılmas

    Detecti̇on and numbering of primary teeth in panoramic radiographs with deep learning method

    ŞEHNAZ VONA

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiOrdu Üniversitesi

    Pedodonti Ana Bilim Dalı

    DOÇ. DR. HÜSEYİN ŞİMŞEK