Sefalometrik radyografilerden makine öğrenmesi yöntemleri kullanarak büyüme evresi tespiti
Growth stage detection using machine learning methods from cephalometric radiographs
- Tez No: 919410
- Danışmanlar: DOÇ. DR. ŞULE YÜCELBAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Diş Hekimliği, Computer Engineering and Computer Science and Control, Dentistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Tarsus Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 69
Özet
Büyüme ve gelişme evreleri sefalometrik radyografi görüntüleri üzerinde tanımlanan servikal vertebra aşamaları ile belirlenebilmektedir. Geleneksel olarak Servikal Vertebra Maturasyon (SVM) evresinin doğru bir şekilde tespit edilmesi, zaman alıcı olabilmekte ve aynı zamanda da uzmanlık gerektirmektedir. Günümüzde yapay zekâ sistemleri, çeşitli algoritmalar kullanarak birçok alanda tahmin ve sınıflandırma gibi farklı görevleri yerine getirebilme kabiliyetine sahiptir. Bu sistemler yüksek doğrulukla teşhis yapabilmekte ve bu şekilde uzmanların işlerini kolaylaştırmakta aynı zamanda hata oranını da en aza indirmektedir. Bu amaçla bu tez çalışmasında sefalometrik radyografilerde gözlemlenen servikal vertebraların analizinin yapılmasıyla birlikte makine öğrenmesi algoritmaları kullanılarak SVM evresinin tespiti hedeflenmiştir. Çalışma kapsamında kullanılan veri seti Selçuk Üniversitesi Diş Hekimliği Fakültesi Ortodonti Anabilim Dalı'na başvuran hastaların kayıtlarından elde edilmiştir. Bu kayıtlar kullanılarak oluşturulan veri kümesi, SVM'nin 3 farklı evresine ait toplamda 7-17 yaş aralığında 120 hastadan alınan sefalometrik radyografilerden oluşmaktadır. Çalışmada kullanılan veri setini oluşturmak için evreleri belirlemede önemli olan noktalar uzman diş hekimi tarafından önerilmiş ve bireylerin sefalometrik radyografileri üzerinden 18 adet özellik otomatik olarak tespit edilmiştir (toplamda 120*18 örnek). İlk aşamada, belirlenen 18 özellikli veri seti kullanılıp 5 kat çapraz doğrulama yapılarak, 7 farklı makine öğrenmesi algoritmasıyla sınıflama işlemleri gerçekleştirilmiştir. Bu sınıflandırma sonucunda en iyi doğruluk oranı %82.5 olarak elde edilmiştir. Daha sonra veri setinden 30 adet örnek ayrılarak geriye kalan örnekler Varyasyonel Otomatik Kodlayıcı (VAE) yöntemiyle çoğaltılmıştır. Bu veriler üzerinde sayısal veri standardizasyonu gerçekleştirilmiş ve sonrasında Lasso yöntemi kullanılarak 7 adet etkin özellik belirlenmiştir. Yeni veri seti için de aynı çapraz doğrulama tekniği uygulanmış ve algoritmaların eğitim parametreleri kaydedilmiştir. Elde edilen modellere daha önce ayrılan test veri seti sunulmuş ve nihai performans parametreleri not edilmiştir. Sonuç olarak XGBoost algoritmasıyla tüm metriklerde en iyi sonuçlar elde edilmiş ve %90 doğruluk oranına ulaşılmıştır. Böylece literatüre hem özgün hem de başarılı bir bakış açısı kazandırılmıştır.
Özet (Çeviri)
Growth and development stages can be determined through the cervical vertebra stages defined on cephalometric radiographic images. Traditionally, accurately identifying the Cervical Vertebra Maturation (CVM) stage can be time-consuming and requires expertise. Today, artificial intelligence systems, utilizing various algorithms, have the capability to perform various tasks such as prediction and classification across multiple fields. These systems can make diagnoses with high accuracy, thus facilitating the work of specialists while minimizing the error rate.The aim of this thesis is to analyze the cervical vertebrae observed in cephalometric radiographs and to detect the stages of CVM using machine learning algorithms. The dataset used in this study was obtained from the records of patients who applied to the Department of Orthodontics, Faculty of Dentistry, Selçuk University. The dataset, created using these records, consists of cephalometric radiographs from 120 patients aged between 7 and 17 years, corresponding to the three different stages of CVM. The key points for determining the stages were suggested by an expert dentist, and 18 features were automatically extracted from the individuals' cephalometric radiographs (a total of 120×18 samples). In the first phase, a classification process was carried out using the dataset with 18 features, applying 5-fold cross-validation and 7 different machine learning algorithms. The best accuracy obtained from this classification was 82.5%. Then, 30 samples were separated from the dataset, and the remaining samples were augmented using the Variational Autoencoder (VAE) method. Afterward, numerical data standardization was performed, and 7 significant features were selected using the Lasso method. The same cross-validation technique was applied to the new dataset, and the training parameters of the algorithms were recorded. The previously separated test dataset was presented to the trained models, and the final performance metrics were noted. As a result, the XGBoost algorithm achieved the best results across all metrics, reaching an accuracy of 90%. Thus, a unique and successful perspective was contributed to the literature.
Benzer Tezler
- Servikal vertebral ölçümler ve makine öğrenmesi algoritmaları ile elde edilen iskelet yaşının, el bilek radyografilerinden elde edilen iskelet yaşı ve maturasyon dönemi ile karşılaştırmalı olarak değerlendirilmesi
Comparative evaluation of skeletal age obtained by cervical vertebral measurements and machine learning algorithms with skeletal age and maturation period obtained from hand wrist radiographs
İREM KARAMEHMETOĞLU
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiRecep Tayyip Erdoğan ÜniversitesiOrtodonti Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MERVE GONCA
- 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
- Farklı yöntemlerle yapılan üst keser intrüzyonunda sefalometrik değişikliklerin karşılaştırılması
The comparison of cephalometric changes at upper incisor intrusion applied with different methods
DEMET SÜER TÜMEN
Doktora
Türkçe
2011
Diş HekimliğiDicle ÜniversitesiOrtodonti Ana Bilim Dalı
PROF. DR. ORHAN HAMAMCI
YRD. DOÇ. DR. NİHAL HAMAMCI
- Hipertrofik adenoid vejetasyonların operasyon öncesi ve sonrası sefalometrik yöntemle değerlendirilmesi
Başlık çevirisi yok
BÜLENT AYMELEK
- Radiographic evaluation of the nasopharyngeal space of mouth breather patients
Ağız solunumu yapan hastalarda nazofaringeal boşluğun radyografik değerlendirilmesi
MAHMOUD AL-BASTİ
Doktora
İngilizce
2005
Diş HekimliğiMarmara ÜniversitesiOrtodonti Ana Bilim Dalı
PROF. DR. NEJAT ERVERDİ