Profil görüntüleri üzerinde derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla yumuşak doku profilinin değerlendirilmesi
Evaluation of soft tissue profile with artificial intelligence algorithms developed with deep learning method on profile images
- Tez No: 913821
- Danışmanlar: DOÇ. DR. MEHMET UĞURLU
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Anatomik nokta tespiti, Derin öğrenme, Profil fotoğrafı, Yapay zeka, Anatomic Landmarks, Artificial intelligence, Deep learning, Profile image
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ortodonti Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 94
Özet
Amaç: Günümüzde insan beyninin işleyişini taklit etme ilkelerine dayanan yeni yapay zeka (AI) teknolojileri geliştirilmiştir. Bu çalışmanın amacı, profil görüntüleri üzerinde özel bir yapay zeka algoritması kullanılarak yapılan anatomik nokta tespitinin başarısını araştırmaktır. Materyal ve Metot: Çalışmamızın veri setini 1000 hastanın ortodontik tedavi öncesi alınan profil görüntülerinden elde edilen kayıtlar üzerinde özel bir yapay zeka algoritması kullanılarak işaretlenen anatomik noktalar oluşturmaktır. Görüntüler üzerinde noktaların etiketlenmesi CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanılarak yapılmıştır. Yapay zeka modelinin eğitimi, PyTorch uygulanan CNN tabanlı derin öğrenme yöntemi ile 300 Epoch kullanılarak gerçekleştirilmiştir. Bulgular: Çalışmada eğitilen yapay zeka modelinde en yüksek SDR değerleri yumuşak doku A ve yumuşak doku B noktalarında bulunmuştur. En düşük SDR değeri Glabella noktasında gözlemlenmiştir. SDR oranı 4 mm' lik aralıkta, işaretlenen toplam 23 noktada 6 nokta haricinde %90 üzerinde değerler göstermiştir. Sonuç: Çalışmamız ilerleyen zamanlarda yapılacak olan derin öğrenme tabanlı yüz yumuşak doku analiz sistemlerinin gelişimi açısından çok önemlidir. Yapay zeka algoritmalarından faydalanılarak oluşturulmuş sistemlerin klinik rutininde hekimlere zaman kazandıracak bir karar destek mekanizması rolü göreceği düşünülmektedir. Aynı zamanda anatomik noktaların tespiti sırasında, gözlemciler arası farkların ve gözlemcilerin farklı zamanlardaki değerlendirmelerinde oluşabilecek tutarsızlıkların en aza indirilmesi konusunda yardımcı olacağı tahmin edilmektedir.
Özet (Çeviri)
Aim: Today, new artificial intelligence technologies have been developed based on the principles of imitating the functioning of the human brain. The aim of this study is to investigate the success of anatomical point detection using a special artificial intelligence algorithm on profile images. Material and Method: The data set of our study is to create the anatomical points marked using a special artificial intelligence algorithm on the records obtained from the profile images of 1000 patients taken before orthodontic treatment. Labeling of spots on images was done using CranioCatch labeling software. The training of the artificial intelligence model was carried out using 300 Epochs with the CNN-based deep learning method applied to PyTorch. Results: In the artificial intelligence model trained in the study, the highest SDR values were found at soft tissue A and soft tissue B points. The lowest SDR value was observed at the Glabella point. The SDR rate showed values above 90%, except for 6 points in a total of 23 points marked at a 4 mm interval. Conclusion: Our study is very important for the development of deep learning-based facial soft tissue analysis systems in the future. It is thought that systems created using artificial intelligence algorithms will serve as a decision support mechanism that will save physicians time in their clinical routine.At the same time, it is estimated that during the determination of anatomical points, it will be very helpful in minimizing the differences between observers and inconsistencies that may occur in the evaluations of the observers at different times.
Benzer Tezler
- Deep convolutional neural network based unconstrained ear recognition
Derin evrişimsel sinir ağı tabanlı kısıtsız kulak tanıma
FEVZİYE İREM EYİOKUR
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAZIM KEMAL EKENEL
- BGA malzemelerin x-ışını görüntülerindeki lehim hatalarının derin sinir ağı kullanarak tespiti
Detection of BGA solder defects from x-ray images using deep neural network
CEREN TÜRER AKDENİZ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Derin öğrenme tabanlı yöntemler ile GPR görüntülerinde obje tespiti
Object detection in GPR images with deep learning based methods
ORHAN APAYDIN
Yüksek Lisans
Türkçe
2023
Jeofizik Mühendisliğiİstanbul Teknik ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURGAY İŞSEVEN
- Age and gender classification from ear images
Kulak imgelerinden yaş ve cinsiyet sınıflandırma
DOĞUCAN YAMAN
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAZIM KEMAL EKENEL
- Derin öğrenme yöntemleriyle sosyal medya analizi ve kullanıcı temsili
Social media analysis and user representation with deep learning methods
İBRAHİM RIZA HALLAÇ
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GALİP AYDIN