El bilek radyografileri aracılığıyla maturasyon dönemi tespitinde yapay zeka algoritmalarının başarısının değerlendirilmesi
Evaluating the success of artificial intelligence algorithms in determining the maturation period through hand-wrist radiographs
- Tez No: 911284
- Danışmanlar: DR. ÖĞR. ÜYESİ SAMET ÖZDEN
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Yapay zeka, iskeletsel maturasyon, el-bilek radyografisi, derin öğrenme
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İnönü Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ortodonti Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 149
Özet
Amaç: Çalışmamızın amacı, el-bilek radyografilerini kullanarak YZ tabanlı uygulamalar ile iskeletsel olgunluğun doğru ve tutarlı bir biçimde tespit edilmesi ve buna paralel olarak hatalı teşhis ve tedavilerin önlenmesidir. Bu sebeple, retrospektif olarak hasta arşivinden elde edilen el-bilek radyografilerinden maturasyon dönemleri, yaş ve cinsiyet tespitinde YZ algoritmalarının başarısı değerlendirilecektir. Materyal Metot: Çalışmanın materyali, ortodontik tedavi için başvurmuş olan sistemik olarak sağlıklı Türk bireylerden alınan 6572 adet el-bilek radyografisi oluşturmaktadır. Beş farklı maturasyon yöntemine göre sınıflandırılan materyal, ek olarak cinsiyet ve yaş için de sınıflandırılmıştır. Daha sonra görüntüler üzerinde etiketlemeler CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanılarak yapılmıştır. Veri setleri rastgele olarak eğitim, doğrulama ve test setlerine ayrılmıştır. PyTorch kütüphanesi kullanılarak eğitilen YOLOv8 derin öğrenme mimarisinin, büyüme-gelişim dönemlerinin tespitinde test veri setleri ile başarısı değerlendirilmiştir. Bulgular: Çalışmada kullanılan derin öğrenme modeli ile Grup I için doğruluk 0.860 ve F1 skor 0.850, Grup II için doğruluk 0.920 ve F1 skor 0.960, Grup III için doğruluk 0.878 ve F1 skor 0.935, Grup IV için 0.981 ve F1 skor 0.990, Grup V için doğruluk ve F1 skor 0.920, Grup VI için doğruluk ve F1 skor 0.980, Grup VII için doğruluk 0.580 ve F1 skor 0.570 olarak bulunmuştur. En yüksek F1 skoru ise 0.990 olarak Grup IV için elde edilmiştir. En düşük F1 skoru Grup VII için 0.570 olarak bulunmuştur. Veri setlerinin dengeli dağılım göstermesi sonucunda, genel olarak AUC değerlerinin 1'e yakın bulunması derin öğrenme modelinin performansının başarılı kabul edilmesini sağlamıştır. Ayrıca bu değerler farklı sınıfları ayırt etmede derin öğrenme algoritmasının tahminlerinin isabetli olduğunu göstermektedir. Sonuç: Büyüme-gelişim dönemlerinin derin öğrenme modeli ile başarılı bir şekilde tespit edilmesi, klinikte hekimlere yardımcı olarak iş yükünü hafifletmesi mümkün olacaktır. Teşhis ve tedavi kararlarında yapay zekanın, başlangıçta yardımcı rolde olması öngörülmektedir. YZ tabanlı uygulamaların klinik işleyişe entegre edilmesi gözlemci içi ve gözlemciler arası uyumsuzlukları en az indirecek ve yanlış teşhis ve tedavilerin büyük oranda önüne geçebilecektir.
Özet (Çeviri)
Aim: The aim of our study is to accurately and consistently determine skeletal maturity using AI-based applications with hand-wrist radiographs and, in parallel, to prevent misdiagnosis and mistreatment. For this purpose, the performance of AI algorithms in determining maturation stages, age, and gender from hand-wrist radiographs retrospectively obtained from patient archives will be evaluated. Material and Methods: The material of the study consists of 6572 hand-wrist radiographs obtained from systemically healthy Turkish individuals who presented for orthodontic treatment. The material was classified based on five different maturation methods and additionally categorized by age and gender. Subsequently, the images were annotated using the CranioCatch labeling software (CranioCatch, Eskişehir, Turkey). The datasets were randomly divided into training, validation, and test sets. The performance of the YOLOv8 deep learning architecture, trained using the PyTorch library, was assessed on test datasets for the detection of growth and developmental stages. Results: Using the deep learning model in this study, the accuracy and F1 scores were as follows: for Group I, accuracy was 0.860 and F1 score was 0.850; for Group II, accuracy was 0.920 and F1 score was 0.960; for Group III, accuracy was 0.878 and F1 score was 0.935; for Group IV, accuracy was 0.981 and F1 score was 0.990; for Group V, both accuracy and F1 score were 0.920; for Group VI, both accuracy and F1 score were 0.980; and for Group VII, accuracy was 0.580 and F1 score was 0.570. The highest F1 score, 0.990, was achieved for Group IV, while the lowest F1 score, 0.570, was observed for Group VII. The balanced distribution of the datasets resulted in AUC values close to 1, demonstrating the successful performance of the deep learning model. Furthermore, these values indicate the model's high accuracy in distinguishing between different classes. Conclusion: The successful identification of growth and developmental stages using a deep learning model has the potential to assist clinicians in reducing workload. It is anticipated that AI will initially play an auxiliary role in diagnostic and treatment decision-making. Integrating AI-based applications into clinical workflows will minimize intra- and inter-observer discrepancies and significantly reduce misdiagnoses and mistreatments. Keyword: Artificial intelligence, deep learning, hand-wrist radiographs, Skeletal maturation
Benzer Tezler
- Türk çocuklarının son 55 yılda iskeletsel maturasyon statülerinde meydana gelen değişikliklerin incelenmesi
The changes in skeletal maturation status of turkish children in the last 55 years
BURCU OKTAY ÇÖVEN
- Pubertal büyüme atılımının farklı evrelerinde bulunan bireylerde hormonal değişimlerin incelenmesi
Assessment of hormonal changes in individuals with different pubertal growth spurt stages
MEHMET UĞURLU
Diş Hekimliği Uzmanlık
Türkçe
2017
Diş HekimliğiAtatürk ÜniversitesiOrtodonti Ana Bilim Dalı
PROF. DR. İSMAİL CEYLAN
- Dişlerin kalsifikasyon evrelerinin el bilek ve lateral sefalometrik radyografilerdeki maturasyon yöntemleriyle retrospektif olarak karşılaştırılması
Retrospective evaluation of the calcification stages of the teeth by the maturation methods in hand wrist and lateral sefalometric radiography
FATMA NAZİK ÜNVER
Diş Hekimliği Uzmanlık
Türkçe
2018
Diş HekimliğiKırıkkale ÜniversitesiOrtodonti Ana Bilim Dalı
PROF. FERABİ ERHAN ÖZDİLER
- Panoramik, sefalometrik ve el-bilek radyografilerini kullanılarak hibrit derin öğrenme yöntemleriyle yaş tahmini
Age prediction with hybrid deep learning methods using panoramic, cephalometric, and hand-wrist radiographs
MERVE PARLAK BAYDOĞAN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEDA ARSLAN TUNCER
- Türk popülasyonundaki çocuklarda kronolojik yaş tespitinde gelişmekte olan dişler ve el-bilek filmlerinin kullanılması
Use of developing teeth and hand-wrist films to determine the chronological age of children in the Turkish population
EMİNE FAZİLET ÖZDEMİR TOSYALIOĞLU
Diş Hekimliği Uzmanlık
Türkçe
2022
Diş HekimliğiHacettepe ÜniversitesiPedodonti Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BESTE ÖZGÜR