Automated diagnosis in x-ray dental data: Innovative system developed with segmentation and classification
X-ray dental verilerinde otomasyonlu tanı: Segmentasyon ve sınıflandırma yöntemleri ile geliştirilen yenilikçi sistem
- Tez No: 892239
- Danışmanlar: PROF. DR. REDA ALHAJJ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Medipol Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 84
Özet
Yapay zeka teknolojilerinin sağlık dünyasındaki ilerlemesi, insan hata payını azaltma ve erken teşhis sağlama potansiyeli nedeniyle büyük önem taşıyor. Projemizde diş muayenelerini optimize etmek, otomatikleştirmek ve hızlandırmak için yapay zeka modelleri geliştirildi. Bu sayede diş röntgenlerinde tanısal doğruluğun en üst düzeye çıkarılması amaçlanmaktadır. Aynı zamanda diş hekimliği fakültesi öğrencileri için de bir eğitim depo alanı oluşturulması hedeflenmiştir, böylelikle öğrencilerin eğitim hayattalarında kullanabilecekleri bir simülasyon sistemi oluşturulabilecektir. Projede öncelikle amaca yönelik veri seti oluşturmaya başladık. En doğru ve uygun veri setini oluşturmak için kapsamlı bir tarama çalışması yapıldı. Bu süreçte etik kurul kurallarına uyuldu. Veriler Kaggle gibi herkese açık platformlar kullanılarak toplandı. Doğru veri setini oluşturmak, bir projeye başlamadan önce hesaplanması ve ayarlanması gereken kısımdır. Doğru veri seti amaçlı olmalı ve ne kadar çok veri varsa o kadar iyi test edilebilir. Bu nedenle projemizde en çok çaba harcadığımız kısımlardan biri veri seti oluşturmaktı. Özellikle tıp alanında, diş röntgen görüntü analizinde kullanılmak üzere yüksek kaliteli ve güvenilir veri setleri elde etmek zorlu bir süreçtir. Bu projede, veri toplama kurulumunda en iyi yaklaşımı ve uyarlanabilir bir yöntemi kullanmaya özen gösterildi. Öncelikle, farklı veri setleri açık kaynakta kullanılabilirlik açısından değerlendirildi ve bunlardan biri genel bir veri seti verdiği ve böyle bir setle modeli genelleştirmek mümkün olduğu için seçildi. Bunlar diş sağlığında tipik durumlardır ve bu nedenle normal popülasyon için referans görevi görebilir. Projede X-ray diş röntgen görüntülerinden oluşan veri setleri üzerinde U-Net segmentasyon yöntemi uygulandı. Elde edilen segmentasyon sonuçları Faster R-CNN sınıflandırma yöntemleri ile dört farklı kategori (kavite, gömülü diş, implant, dolgu) üzerinde çalışılarak analiz edildi. Bu modeller diş röntgenindeki çürük, gömülü diş, implant ve dolgu gibi unsurları saniyeler içinde tespit edip tam konumlarını belirleyebilmektedir. Geliştirdiğimiz yapay zeka modelleri için kullanıcı dostu bir arayüz oluşturuldu. Bu arayüz hastalar ve doktorlar için ayrı giriş ekranları sunar. Hasta giriş ekranı üzerinden hastalar hızlı bir şekilde röntgen tetkiklerini yaptırabilirken, doktor giriş ekranı üzerinden doktorlar da hastaların röntgenleri hakkında yorum yapıp teşhis koyabiliyor. Model üzerinde yapılan F1 skor testleri sonucunda %91 doğruluk oranı elde edilmiştir. Gelecekteki çalışmalar bu doğruluk oranının artırılmasına ve daha detaylı analizlerin yapılmasına odaklanacaktır.
Özet (Çeviri)
The advancement of artificial intelligence (AI) technologies in the healthcare world is of great importance with its potential to reduce the margin of human error and provide early diagnosis. In our project, AI models were developed to optimize, automate and accelerate dental examinations. In this way, it is aimed to maximize the diagnostic accuracy in dental x-rays. At the same time, it is aimed to create an educational storage area for dentistry faculty students, so that a simulation system can be created that students can use in their educational lives. In the project, first we started to create a dataset for the purpose. An extensive scanning study was carried out to create the most accurate and appropriate dataset. Ethics committee rules were followed during this process. Data were collected using public platforms such as Kaggle.Creating the correct dataset is the part that needs to be calculated and adjusted before starting a project. The right data set should be purposeful and the more data there is, the better it can be tested. For this reason, one of the parts where we spent the most effort in our project was creating the data set. Especially in the medical field, obtaining high quality and reliable data sets for use in dental x-ray image analysis is a challenging process. In this project, care was taken to use the best approach and an adaptable method in data collection setup. First of all, different data sets were evaluated for usability in open source, and one of them was chosen because it gave a general data set and it was possible to generalize the model with such a set. These are typical situations in dental health and therefore can serve as a reference for the normal population. In the project, the U-Net segmentation method was applied on data sets consisting of X-ray dental x-ray images. The segmentation results obtained were analyzed with Faster R-CNN classification methods by working on four different categories (cavity, impacted tooth, implant, fillings). These models can detect elements such as cavities, impacted teeth, implants and fillings in dental x-rays within seconds and determine their exact location. A user-friendly interface has been created for the artificial intelligence models we have developed. This interface offers separate login screens for patients and doctors. While patients can quickly get their x-ray analyzes via the patient login screen, doctors can comment on patients' x-rays and make diagnoses via the doctor login screen. As a result of the F1 score tests performed on the model, a 91% accuracy rate was obtained. Future studies will focus on increasing this accuracy rate and performing more detailed analyses.
Benzer Tezler
- Transfer öğrenimi tabanlı evrişimli sinir ağlarını kullananotomatik dental panoramik görüntü segmentasyonu
Automated dental panoramic image segmentation using transfer learning based convolutional neural networks
TÜLİN ÇAYLAK
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İMAM ŞAMİL YETİK
- Bitewing radyograflardaki diş çürüklerinin anlamsal bölütleme yapay zekâ modeliyle değerlendirilmesi
Evaluation of dental caries on bitewing radiographs by semantic segmentation Al model
HALİL İBRAHİM ÖZDEMİR
Yüksek Lisans
Türkçe
2022
BiyomühendislikKütahya Dumlupınar Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER KASIM
- Automatic diagnosis from panoramic dental X-rays using deep learning
Derin öğrenmeyi kullanarak panoramik diş röntgenlerinden teşhis koymak
KAAN KÜÇÜK
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKAY YILMAZ
- Semi-supervised method for determining the maxillary and mandibular boundaries on panoramic radiographs
Panoramik radyografi görüntülerinde maksiller ve mandibüler yapıların sınırlarının belirlenmesi için yarı-gözetimli bir metot
BERKAY KAĞAN ÜLKÜ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İMAM ŞAMİL YETİK
- Farklı güçteki röntgen cihazları ile; farklı radyografi tekniklerinde bukkal ve okluzal çürüklerin görünürlüğünün değerlendirilmesi
Radiographic detection of buccaland occlusal caries: effects of x-ray beam factors and different radiography techniques
ŞEHRAZAT EVİRGEN ÖZDEN
Yüksek Lisans
Türkçe
2002
Diş HekimliğiAnkara ÜniversitesiOral Diagnoz ve Radyoloji Ana Bilim Dalı
PROF.DR. CANDAN S. PAKSOY