Geri Dön

Derin öğrenme yöntemi ile karışık dişlenme döneminde diş tespiti

Tooth detection with deep learning method in mixed dentition

PDF İndir

  1. Tez No: 894136
  2. Yazar: ESRA ÖZÇELİK ERYILMAZ
  3. Danışmanlar: DOÇ. DR. HÜSEYİN ŞİMŞEK
  4. Tez Türü: Diş Hekimliği Uzmanlık
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: Derin öğrenme, karışık dişlenme, yapay zekâ, Artificial intelligence, deep learning, mixed dentition
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Ordu Üniversitesi
  10. Enstitü: Diş Hekimliği Fakültesi
  11. Ana Bilim Dalı: Pedodonti Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 107

Özet

Amaç: Son yıllarda teknolojik gelişmelerin artmasıyla yapay zekaya duyulan ilgi artmaktadır. Diş hekimliği alanında bu teknolojik gelişmeler takip edilerek yapay zekâ destekli uygulamaların kullanımı artmıştır. Bu çalışmanın amacı, derin öğrenme yöntemleri kullanarak geliştirilen yapay zekâ modeliyle karışık dişlenme döneminde olan çocuklardan alınan panoramik radyografilerde diş tespiti ve numaralandırılmasının etkinliğini değerlendirmektir. Bu kapsamda, çocukların panoramik radyografilerindeki dişlerin doğru bir şekilde tespit edilip numaralandırılması, tedavi planlamasında ve ortodontik analizlerde kritik bir öneme sahiptir. Derin öğrenme algoritmalarının kullanılması, bu işlemlerin otomatik ve yüksek doğrulukla gerçekleştirilmesini sağlayarak, diş hekimlerinin iş yükünü azaltmayı ve tanı doğruluğunu artırmayı hedeflemektedir. Gereç ve Yöntem: Bu çalışmada 6-12 yaş aralığındaki çocuklardan alınan 1378 panoramik radyografi kullanılmıştır. Panoramik radyografiler, Ordu Üniversitesi Diş Hekimliği Fakültesi Pedodonti Anabilim Dalı radyoloji arşivinden elde edilmiştir. Otomatik diş tespiti ve numaralandırılması için CNN tabanlı bir model olan YOLOv8 mimarisi kullanılmıştır. YOLOv8 modelinin performansını değerlendirmek amacıyla karışıklık matrisi kullanılmıştır. Bulgular: Karışık dişlenme döneminde diş tespiti amacıyla kullanılan CNN tabanlı model diş tespit etme ve numaralandırmada yüksek performans sergilemiştir. Karışıklık matrisi kullanılarak hesaplanan kesinlik, duyarlılık ve F1-skor, mAP değerleri sırasıyla 6 yaş grubu için; 0.8846, 0.8949, 0.8897, 0.8914, 7 yaş grubu için; 0.8973, 0.8958, 0.8966, 0.8801, 8 yaş grubu için; 0.8795, 0.9313, 0.9055, 0.8773, 9 yaş grubu için; 0.8734, 0.8933, 0.8832, 0.8984, 10 yaş grubu için; 0.9590, 0.9721, 0.9655, 0.9672, 11 yaş grubu için; 0.9460, 0.9588, 0.8966, 0.9523 ve 12 yaş grubu için; 0.9473, 0.9551, 0.9511, 0.9571 olarak hesaplanmıştır. Sonuç: Derin öğrenme tabanlı yapay zekâ algoritmalarının, karışık dişlenme dönemindeki çocuklardan elde edilen panoramik radyografilerde süt ve daimî dişlerin tespiti ve numaralandırılmasını amaçlayan bu çalışmanın sonuçları umut vaat etmektedir. Çocuk hastalardan alınan panoramik radyografilerde yapay zekâ kullanımının performans sonuçları, özellikle pedodonti alanında daha fazla araştırma yapılmasını teşvik edebilir.

Özet (Çeviri)

Aim: In recent years, the interest in artificial intelligence has increased due to technological advancements. The use of AI-supported applications has grown in the field of dentistry by keeping up with these technological developments. The aim of this study is to evaluate the effectiveness of a deep learning model developed using artificial intelligence in detecting and numbering teeth in panoramic radiographs taken from children in the mixed dentition period. Correct detection and numbering of teeth in children's panoramic radiographs are critical for treatment planning and orthodontic analyses. The use of deep learning algorithms aims to automate these processes with high accuracy, reducing the workload of dentists and increasing diagnostic accuracy. Materials and Methods: In this study, 1378 panoramic radiographs taken from children aged 6-12 were used. The panoramic radiographs were obtained from the radiology archive of the Department of Pediatric Dentistry, Faculty of Dentistry at Ordu University. The YOLOv8 architecture, a CNN-based model, was used for automatic tooth detection and numbering. The performance of the YOLOv8 model was evaluated using a confusion matrix. Results: The CNN-based model used for tooth detection in the mixed dentition period demonstrated high performance in detecting and numbering teeth. The precision, recall, F1-score, and mAP values calculated using the confusion matrix for each age group were as follows: For the 6-year-old group; 0.8846, 0.8949, 0.8897, 0.8914, for the 7-year-old group; 0.8973, 0.8958, 0.8966, 0.8801, for the 8-year-old group; 0.8795, 0.9313, 0.9055, 0.8773, for the 9-year-old group; 0.8734, 0.8933, 0.8832, 0.8984, for the 10-year-old group; 0.9590, 0.9721, 0.9655, 0.9672, for the 11-year-old group; 0.9460, 0.9588, 0.8966, 0.9523, and for the 12-year-old group; 0.9473, 0.9551, 0.9511, 0.9571. Conclusion:The results of our study, which aimed to detect and number deciduous and permanent teeth in panoramic radiographs taken from children in the mixed dentition period using deep learning-based artificial intelligence algorithms, are promising. The performance results of using AI in panoramic radiographs taken from pediatric patients may encourage further research, especially in the field of pediatric dentistry.

Benzer Tezler

  1. Tez No

    931631

    Derin Öğrenme Yöntemi kullanılarak karışık dişlenme döneminde alınan periapikal radyografilerde dişlerin numaralandırılması ve dental restorasyonların sınıflandırılması

    Numbering of teeth and classification of dental restorations in periapical radiographs taken during the mixed dentition period using Deep Learning Method

    BÜŞRA YÜCETÜRK

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2025

    Diş HekimliğiGaziantep Üniversitesi

    Çocuk Diş Hekimliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZEHRA GÜNER

  2. Tez No

    663526

    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

  3. Tez No

    912942

    Photovoltaic modules fault detection and power output estimation: A deep learning approach based on electroluminescence images

    Fotovoltaik modüllerde arıza tespiti ve güç çıkışı tahmini: Elektrolüminesans görüntülerine dayalı derin öğrenme yaklaşımı

    ABDULLAH EMİR OZTURK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiPolitecnico di Milano

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. EMANUELE GİOVANNİ

  4. Tez No

    807236

    Deep unfolding for clutter removal in ground penetrating radar

    Yere nüfuz eden radarda kargaşa gidermek için derin katman açma

    SAMET ÖZGÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  5. Tez No

    902880

    Monocular depth estimation with thermal data

    Thermal verilerle monoküler derinlik tahmini

    ALİ AKYAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ OSMAN SERDAR GEDİK

Geri Dön