Geri Dön

Sefalometrik noktaların yapay zeka yöntemleri ile tespiti

Detection of cephalometric landmarks with artificial intelligence methods

  1. Tez No: 899983
  2. Yazar: BURAK CAN KOÇ
  3. Danışmanlar: DOÇ. DR. AHMET FARUK ASLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Eskişehir Osmangazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Matematik ve Bilgisayar Bilimleri Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
  13. Sayfa Sayısı: 54

Özet

Sefalometrik görüntüler üzerinde belirlenen noktalar kullanılarak yapılan sefalometrik analizler, ortodontik problemlerin tespiti ve tedavi yönteminin belirlenmesinde önemli bir araçtır. Geleneksel yöntemlerle yapılan analizler uzun zaman almakta ve sonuçlar, analizi yapan uzman hekimlere göre de farklılık gösterebilmektedir. Bu çalışmanın amacı, yapay zeka yöntemlerinin, sefalometrik analiz noktalarının tespitindeki başarısının ve uzman hekimlere yardımcı olup olamayacağının araştırılmasıdır. Bu çalışmada, 2015 yılında The IEEE ISBI 2015 Challenge kapsamında sefalometrik nokta tespiti algoritmalarının geliştirilmesi için halka açık yayınlanan veri seti kullanılmıştır. Bu veri seti, her bir görüntüde 19 farklı noktanın işaretlendiği toplam 400 lateral sefalometrik görüntüden oluşmaktadır. Veri setindeki görüntülerin 40 tanesi test, 360 tanesi eğitim için kullanılmıştır. Model eğitimi için Python programlama dili kullanılarak Pytorch kütüphanesi ile CNN ağı geliştirilmiştir. Eğitim, 300 epoch boyunca 0.001 öğrenme oranı ile sürdürülmüş, eğitim sonunda model kaydedilmiştir. Sefalometrik nokta tespiti için, klinik pratikte kabul edilebilir hata payı 2 milimetredir. Bu değerin üzerindeki tahminlerin, problem tespiti ve tedavi yönteminin belirlenmesinde hatalı sonuçlara neden olabileceği kabul edilmiştir. Yapılan eğitim sonucunda en başarılı tespit edilen nokta 7,82049 MRE ve 0,975 SDR değerleri ile Incision superius noktası, en başarısız tespit edilen nokta ise 43,20057 MRE ve 0,225 SDR değerleri ile Porion noktası olmuştur. Genel başarıya bakıldığında, %76.84 oranında başarılı tahmin oranının yakalandığı görülmektedir. Mevcut veri seti ile yapılan eğitim sonucunda, yapay zeka yöntemleri ile sefalometrik noktaların tespiti çalışmalarının, hekimlere karar destek mekanizması rolü üstlenebilecek bir başarıya yaklaştığı görülmektedir. Çalışmanın daha da geliştirilmesi ve hekimlerin kullanımına sunulması durumunda, önemli bir zaman kazancı sağlayabileceği, ayrıca hem farklı hekimlerin yaptığı işaretlemeler, hem de aynı hekimin farklı zamanlarda yaptığı işaretlemeler arasındaki tutarsızlıkların minimuma indirgeneceği düşünülmektedir.

Özet (Çeviri)

Cephalometric analyses, conducted using points determined on cephalometric images, are a crucial tool for identifying orthodontic problems and determining treatment methods. Traditional methods of analysis are time-consuming and the results can vary depending on the expertise of the specialist performing the analysis. The aim of this study is to investigate the success of artificial intelligence methods in detecting cephalometric analysis points and whether they can assist specialist practitioners. In the study, the publicly available dataset released for the development of cephalometric point detection algorithms as part of The IEEE ISBI 2015 Challenge in 2015 was used. This dataset consists of a total of 400 lateral cephalometric images, each marked with 19 different points. Of these images, 40 were used for testing and 360 for training. A CNN network was developed using the Pytorch library with the Python programming language for model training. Training was conducted for 300 epochs with a learning rate of 0.001, and the model was saved at the end of the training. In clinical practice, an acceptable margin of error for cephalometric point detection is 2 millimeters. Predictions exceeding this value are considered to potentially lead to incorrect problem identification and treatment planning. As a result of the training, it was observed that the most successfully detected point was the Incision superius point with values of 7.82049 MRE and 0.975 SDR, while the least successfully detected point was the Porion point with values of 43.20057 MRE and 0.225 SDR. In terms of overall success, a successful detection rate of %76.84 was achieved. The training conducted with the existing dataset shows that the detection of cephalometric points using artificial intelligence methods approaches a level of success that can serve as a decision support mechanism for physicians. If the study is further developed and made available to physicians, it is believed that it can provide significant time savings and minimize inconsistencies between labels made by different physicians or by the same physicians at different times

Benzer Tezler

  1. Farklı zamanlarda alınan lateral sefalometri radyografilerinin yapay zeka yazılımları ile çakıştırılmasının doğruluğunun değerlendirilmesi

    Compatibility of the superimpositions of cephalometric radiographs made by artificial intelligence software

    İBRAHİM BARIŞ PARLAK

    Doktora

    Türkçe

    Türkçe

    2022

    Diş HekimliğiAltınbaş Üniversitesi

    Ortodonti Ana Bilim Dalı

    DOÇ. DR. SEDEN AKAN BAYHAN

  2. Geç dönem monoblok uygulamalarında başarı kriterlerinin yapay zekâ yöntemi ile değerlendirilmesi

    Evaluation of success criteria in postpeak monoblock applications with artificial intelligence method

    KAAN ÖNER

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiAkdeniz Üniversitesi

    Ortodonti Ana Bilim Dalı

    PROF. DR. ELÇİN ESENLİK

  3. Konik ışınlı bilgisayarlı tomografi görüntülerinden elde edilen lateral sefalometrik görüntüler üzerinde derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla sefalometrik noktaların tespiti

    Determination of cephalometric points with artificial intelligence algorithms developed by deep learning on lateral cephalometric images obtained from conic-beam computer tomography images

    SEDA SALİHA KAYRAK

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiEskişehir Osmangazi Üniversitesi

    Ortodonti Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET UĞURLU

  4. Konik ışınlı bilgisayarlı tomografi görüntülerinden elde edilen posteroanterior sefalometrik (Frontal) görüntüler üzerinde derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla sefalometrik noktaların tespiti

    Detection of cephalometric points with artificial intelligence algorithms improved by deep learning method on posteroanterior cephalometric (Frontal) images obtained from cone-beam computed tomography images

    GİZEM GÖZDE ÖZŞAHİN

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiEskişehir Osmangazi Üniversitesi

    Ortodonti Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET UĞURLU

  5. Dudak damak yarıklı hastalarda sefalometrik referans noktalarının hekim ve yapay zeka tarafından belirlendiği bilgisayar destekli sefalometrik analiz yöntemlerinin karşılaştırılması

    Comparison of computer aided cephalometric analysis methods in which cephalometric reference points are determined by physician and artificial intelligence in patients with cleft lip and palate

    HAZAL KARAGÖZ

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2022

    Diş HekimliğiHacettepe Üniversitesi

    Ortodonti Ana Bilim Dalı

    DOÇ. DR. BENGİSU AKARSU GÜVEN