Konik ışınlı bilgisayarlı tomografi görüntülerinde yapay zekâ ile sfenooksipital sinkondrozis füzyon aşamalarının tespiti
Detection of sphenooccipital synchondrosis fusion stages with artificial intelligence in cone-beam computed tomography images
- Tez No: 922239
- Danışmanlar: PROF. DR. GÜLDANE MAĞAT
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: büyüme ve gelişim, kraniyofasiyal anomali, sfeno-oksipital sinkondroz, YOLO, craniofacial anomaly, growth and development, spheno-occipital synchondrosis, YOLO
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Necmettin Erbakan Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
- Bilim Dalı: Ağız, Diş Çene Radyolojisi Bilim Dalı
- Sayfa Sayısı: 84
Özet
Sfeno-oksipital sinkondroz (SOS)'un füzyon aşamaları, kraniyofasiyal büyüme ve gelişimin önemli bir göstergesi olup, anormal füzyon modelleri altta yatan kraniyofasiyal anomalilerin erken tanısında kritik rol oynar. Bu çalışma, yapay zekâ (YZ) algoritmalarını kullanarak konik ışınlı bilgisayarlı tomografi (KIBT) görüntüleri üzerinden SOS füzyon aşamalarını doğru şekilde tespit etmeyi ve bu aşamaları bireylerin büyüme-gelişim dönemleriyle ilişkilendirerek kraniyofasiyal sendromların öngörülmesine katkı sağlamayı amaçlamaktadır. Çalışma kapsamında, 6-25 yaş arası bireylerden elde edilen, sagittal kesitlerde SOS içeren, 1661 kesitsel KIBT görüntüleri kullanılmıştır. Çalışmada YOLOv5, YOLOv8 ve YOLOv11 modelleri kullanılarak, YZ modelleri ile SOS füzyon evrelerinin tespit başarısı modeller arasında karşılıklı olarak değerlendirilmiştir. Test sonuçlarına göre YOLOv11 27 ms hızla en hızlı tespit yapan algoritma olarak tespit edilirken; YOLOv8 genel olarak en yüksek doğruluğu ve kararlılığı göstermektedir. Evre 3'te ise tüm modeller 0.995 mAP değeri ile aynı başarıyı elde etmiş olup, YOLOv5 F1 puanı 1 ile mükemmel bir sonuç elde etmiştir. SOS'un füzyon aşamaları, YOLO modelleri (YOLOv5, YOLOv8 ve YOLOv11) ile yüksek performansla başarıyla değerlendirilebilmektedir. YZ tabanlı bu analizler, büyüme ve gelişim döneminin izlenmesi ve erken aşamalarda kraniyofasiyal anomalilerin tespit edilmesi açısından önemli bir avantaj sunmaktadır.
Özet (Çeviri)
The fusion stages of spheno-occipital synchondrosis (SOS) show how the skull and face are growing and developing. Weak fusion patterns are very important for finding serious skull and face problems early on. The study's goals are to accurately find SOS fusion stages on cone beam computed tomography (CBCT) images by using artificial intelligence (AI) algorithms and to help predict craniofacial syndromes by connecting these stages with people's growth and development times. The study used 1661 cross-sectional CBCT images containing SOS in sagittal sections from individuals aged between 6 and 25. The study evaluated the mutual success of SOS fusion stages with the YOLOv5, YOLOv8, and YOLOv11 models. According to the test results, YOLOv11 was determined to be the fastest detection algorithm with a speed of 27 ms; YOLOv8 generally shows the highest accuracy and stability. In Stage 3, all models achieved the same success with a mAP value of 0.995, and YOLOv5 achieved an excellent result with an F1 score of 1. YOLO models (YOLOv5, YOLOv8, and YOLOv11) successfully evaluate the fusion stages of SOS with high performance. These AI-based analyses are a big help when it comes to keeping an eye on the growth and development period and finding problems with the head and face early on.
Benzer Tezler
- Konik ışınlı bilgisayarlı tomografi görüntülerinde nazopalatin kanal tespitinin yapay zeka ile karşılaştırılması
Comparison of nasopalatine canal detection in CONE-BEAM computed tomography images with artificial intelligence
HATİCE AHSEN DENİZ
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiAnkara ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
PROF. DR. RANA NALÇACI
- Konik ışınlı bilgisayarlı tomografi görüntülerinde foramen palatinum majus tespitinin ve sınıflandırılmasının yapay zeka ile karşılaştırılması
Comparison of foramen palatinum majus detection and classification in cone beam computed tomography images with artificial intelligence
DİLARA KARA
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiHacettepe ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DOÇ. DR. SERDAR UYSAL
- Derin öğrenme kullanarak konik ışınlı bilgisayarlı tomografi görüntülerinde maksiller sinüs patolojilerinin otomatik tespiti, sınıflandırılması ve segmentasyonu
Automatic detection, classification and segmentation of maxillary sinus pathologies in cone-beam computed tomography images using deep learning
GHAZAL SAFARI SABERKASBAKHI
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriPamukkale ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET ÜSAME ÖZİÇ
DOÇ. DR. MELEK TAŞSÖKER BULUT
- Obstrüktif uyku apnesi sendromlu erişkin hastalarda yapay zeka kullanılarak hava yolu hacminin, hyoid kemik morfolojisinin ve kraniyofasiyal ilişkilerin değerlendirilmesi
Evaluation of airway volume, hyoid bone morphology and craniofacial relationships using artificial intelligence in adult patients with obstructive sleep apnea syndrome
ZEYNEP GÜRPINAR GİZLİ
Doktora
Türkçe
2024
Diş HekimliğiAnkara ÜniversitesiOrtodonti Ana Bilim Dalı
PROF. DR. TÜLİN UFUK TOYGAR MEMİKOĞLU
- Yapay zeka algoritmaları kullanılarak konik ışınlı bilgisayarlı tomografi görüntülerinde semento-osseöz lezyonların tespiti
Detection of cemento-osseous lesions in cone beam computed tomography images using artificial intelligence algorithms
DUYGU ÇELİK ÖZEN
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş Hekimliğiİnönü ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
PROF. DR. OĞUZHAN ALTUN