Geri Dön

The automatic segmentation of submandibular salivary glands and classification of sonographic parameters using deep learning methods in ultrasound images

Ultrasonografi görüntülerinde derin öğrenme yöntemiyle submandibular tükürük bezlerinin otomatik segmentasyonu ve sonografik parametrelerin siniflandirilmasi

  1. Tez No: 900631
  2. Yazar: BURAK TUNAHAN ÇİFTÇİ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ FİRDEVS AŞANTOĞROL
  4. Tez Türü: Diş Hekimliği Uzmanlık
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Gaziantep 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: 140

Özet

Tükürük bezleri, vücudun ağız içi homeostazını sağlamakta önemli rol oynayan ekzokrin salgı bezleridir. Tükürük bezlerinin temel görevi, oral ve genel sağlık için kritik olan tükürüğü üretmek ve salgılamaktır. Bazı hastalıklar ve klinik durumlar, tükürük bezlerinin B-mod ve renkli Doppler ultrasonografi (USG) görüntülerinde belirgin değişikliklere neden olabilir. Bu değişiklikler, tükürük bezlerinin parankim yapısında bozulmalar, ekojenite değişiklikleri, bezin sınırlarında düzensizlikler ve vaskülarizasyon değişiklikleri olarak kendini gösterebilir. Bu çalışmanın amacı, submandibular tükürük bezlerinin USG görüntülerini derin öğrenme (DÖ) yöntemleriyle otomatik olarak segmente etmek ve bu görüntülerdeki sonografik parametreleri sınıflandırmaktır. Gaziantep Üniversitesi Diş Hekimliği Fakültesi Ağız, Diş ve Çene Radyolojisi Anabilim Dalı'na başvuran 18 yaş ve üzeri toplam 312 bireyin sağ ve sol submandibular tükürük bezleri USG ile görüntülendi. Bu görüntülerde YOLOv8 DÖ algoritmasının submandibular tükürük bezlerini segmente etme başarısı ve VGG16, VGG19, Inceptionv3, Xception, MobileNet, MobileNetv2 ve YOLOv8 DÖ algoritmalarının sınıflandırma performansı değerlendirildi. Model performanslarını değerlendirmek için karmaşıklık matrisi kullanıldı. Submandibular tükürük bezi segmentasyonunda %100 doğruluk gösteren YOLOv8 modeli, ekojenite değerlendirmesinde %97.6 doğrulukla en başarılı sonuçları verdi. Homojenite sınıflandırmasında en yüksek doğruluk %93.6 ile MobileNetv2, marjin değerlendirmesinde ise en yüksek doğruluk %74.4 ile MobileNet tarafından elde edildi. Vaskülarizasyon şiddeti ve lokalizasyon değerlendirmelerinde ise YOLOv8 modeli sırasıyla %100 ve %89.3 doğruluk oranlarıyla en başarılı sonuçları sağladı. Sonuç olarak, bu çalışma, submandibular tükürük bezlerinin USG görüntülerinde DÖ algoritmalarının yüksek segmentasyon ve sınıflandırma başarısını ortaya koymuştur. Bu bulgular, klinik uygulamalarda karar destek sistemlerinin geliştirilmesi ve klinisyenlere tanı süreçlerinde önemli bir destek sağlanması açısından umut vericidir.

Özet (Çeviri)

Salivary glands are exocrine glands that play a crucial role in maintaining oral homeostasis. Their primary function is the production and secretion of saliva, which is essential for both oral and general health. Certain diseases and clinical conditions can cause significant changes in the B-mode and color Doppler ultrasonography (USG) images of salivary glands, including alterations in parenchymal structure, echogenicity, glandular margins, and vascularization. The aim of this study was to automatically segment submandibular salivary glands in USG images using deep learning (DL) methods and classify the sonographic parameters. A total of 312 individuals aged 18 and older who applied to the Department of Oral and Maxillofacial Radiology at Gaziantep University Faculty of Dentistry underwent USG imaging of their right and left submandibular salivary glands. The segmentation performance of the YOLOv8 DL algorithm and the classification accuracy of VGG16, VGG19, Inceptionv3, Xception, MobileNet, MobileNetv2, and YOLOv8 were evaluated. A confusion matrix was used to evaluate model performances. YOLOv8 achieved 100% accuracy in submandibular gland segmentation and 97.6% accuracy in echogenicity assessment. MobileNetv2 achieved the highest accuracy in homogeneity classification (93.6%), while MobileNet showed the best performance in margin evaluation (74.4%). YOLOv8 also performed best in assessing vascularization intensity (100%) and localization (89.3%). In conclusion, this study demonstrates the high segmentation and classification performance of DL algorithms in USG images of submandibular salivary glands. These findings are promising for developing decision support systems in clinical practice, offering significant support to clinicians during diagnosis.

Benzer Tezler

  1. Semi-automatic/user-guided segmentation of mitochondria on transmission electron microscopy images

    Transmisyon elektron mikroskobu görüntülerinde mitokondrilerin yarı otomatik/kullanıcı güdümlü bölütlenmesi

    MUSTAFA ÇÖÇELLİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Bilim ve TeknolojiOrta Doğu Teknik Üniversitesi

    Sağlık Bilişimi Ana Bilim Dalı

    PROF. DR. ÜNAL ERKAN MUMCUOĞLU

    YRD. DOÇ. DR. REZA ZARE HASSANPOUR

  2. An approach for the automatic segmentation of high resolution satellite images into agricultural fields

    Yüksek çözünürlüklü uydu görüntülerinin tarımsal parsellere otomatik segmentasyonu için bir yaklaşım

    ALIREZA RAHIMZADEGANASL

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Jeodezi ve FotogrametriHacettepe Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA TÜRKER

  3. Automatic segmentation, quantification and rating of periventricular white matter hyperintensity in demented patients

    Demanslı hastalarda perventriküler beyaz cevher hiperintensitesinin otomatik bölütlenmesi, ölçümü ve derecelendirilmesi

    LEONARDO OBINNA IHEME

    Doktora

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik MühendisliğiBahçeşehir Üniversitesi

    DOÇ. DR. DEVRİM ÜNAY

  4. Automatic segmentation of breast cancer on mammogram images using image processing techniques

    Mamografi görüntülerinden görüntü işleme tekniklerini kullanılarak göğüs kanserinin otomatik tespiti

    SAFWET ALAN ALI AL DAWERI

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Assist. Prof. Dr. GÖRKEM SERBES

  5. Bimodal automatic speech segmentation and boundary refinement techniques

    Çift durumlu otomatik konuşma bölütleme ve sınır iyileştirme teknikleri

    EREN AKDEMİR

    Doktora

    İngilizce

    İngilizce

    2010

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    DOÇ. DR. TOLGA ÇİLOĞLU