Yapay zeka tabanlı tam otomatik 3 boyutlu paranazal sinüs segmentasyonu
Artificial intelligence based fully automatic 3D paranasal sinus segmentation
- Tez No: 932041
- Danışmanlar: DOÇ. DR. MERYEM ETÖZ
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Paranazal Sinüsler, Yapay Zeka, Segmentasyon, Derin Öğrenme, nnU-Net, Paranasal Sinuses, Artificial Intelligence, Segmentation, Deep Learning, nnU-Net
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 120
Özet
Paranazal sinüsler; maksiller, frontal, sfenoid sinüsler ve etmoid hava hücrelerinden oluşan, karmaşık anatomik yapılardır. Evrişimli sinir ağları (CNN'ler), tıbbi görüntü analizinde üstün performanslarıyla yaygın olarak kullanılan derin öğrenme yöntemleridir. Sinüslerin doğru bir şekilde 3 boyutlu segmentasyonu, sinüs hastalıklarının değerlendirilmesi, hacimsel analiz ve 3 boyutlu sanal modellerin oluşturulması gibi tanı ve tedavi süreçlerinde kritik bir rol oynar. Bu çalışmada, paranazal sinüslerin tam otomatik segmentasyonunu gerçekleştirmek için nnU-Net v2 mimarisi kullanılarak bir CNN algoritması geliştirilmesi amaçlanmıştır. Modelin performansı, konik ışınlı bilgisayarlı tomografi (KIBT) görüntüleri üzerinde değerlendirilmiştir. Araştırmada, Ocak 2016 ile Mayıs 2024 tarihleri arasında Erciyes Üniversitesi Diş Hekimliği Fakültesi Ağız, Diş ve Çene Radyolojisi Anabilim Dalı'nda tanısal amaçlarla çekilmiş 97 hastanın KIBT görüntüleri retrospektif olarak toplanmıştır. KIBT görüntüleri DICOM formatında alınmış ve 3D Slicer 5.4.0 yazılımı (http://www.slicer.org) kullanılarak etiketlenmiştir. Etiketleme işlemi, KIBT konusunda en az üç yıllık deneyime sahip oral ve maksillofasiyal radyoloji araştırma görevlileri tarafından, manuel poligonal bir teknikle sagittal, koronal ve aksiyel kesitlerde gerçekleştirilmiştir. nnU-Net v2 tabanlı algoritma, Python 3.6.1 ve PyTorch kütüphanesi kullanılarak geliştirilmiş; model, 0.00001 öğrenme oranı ile 1000 dönem boyunca eğitilmiştir. Modelin performansı, Doğruluk (Accuracy), Zar Katsayısı (Dice Similarity Coefficient, DC), sensitivite, kesinlik, eğri altında kalan alan (AUC), %95 Hausdorff mesafesi (%95 HD) ve Birleşim Üzerindeki Kesişim (Intersection over Union, IoU) gibi metriklerle değerlendirilmiştir. Çalışma bulguları, nnU-Net v2 tabanlı algoritmanın tüm sinüslerde yüksek bir otomatik segmentasyon performansı elde ettiğini göstermektedir. Frontal, sfenoid, maksiller ve etmoid sinüsler için sırasıyla DC değerleri 0.94, 0.95, 0.97 ve 0.88 olarak bulunmuştur. Tüm sinüslerde doğruluk skorları %99'un üzerinde tespit edilmiştir. %95 HD, frontal ve maksiller sinüsler için 0.51 mm, sfenoid sinüs için 0.85 mm ve etmoid sinüs için 1.17 mm olarak ölçülmüştür. Jaccard Endeksi sırasıyla 0.90, 0.91, 0.94 ve 0.80 olarak hesaplanmıştır. Bu çalışma, paranazal sinüslerin KIBT görüntülerinde tam otomatik segmentasyonu için geliştirilen nnU-Net v2 tabanlı CNN modelinin, yüksek doğruluk ve hassasiyetle çalıştığını göstermektedir. Sonuçlar, bu modelin klinik karar alma süreçlerine önemli bir katkı sağlayarak kulak burun boğaz hekimleri, maksillofasiyal radyologlar ve cerrahlar için tanı ve tedavi süreçlerini kolaylaştırma potansiyeline sahip olduğunu ortaya koymaktadır. Ayrıca, zaman tasarrufu sağlayarak muayene sırasında iş akışını optimize edebileceği de vurgulanmıştır.
Özet (Çeviri)
Paranasal sinuses, consisting of maxillary, frontal, sphenoid sinuses, and ethmoid air cells, are complex anatomical structures. Convolutional Neural Networks (CNNs) are widely used deep learning methods known for their superior performance in medical image analysis. Accurate 3D segmentation of the sinuses plays a critical role in diagnostic and therapeutic processes, such as evaluating sinus disorders, conducting volumetric analyses, and creating 3D virtual models. This study aimed to develop a CNN algorithm using the nnU-Net v2 architecture for the fully automated segmentation of paranasal sinuses. The model's performance was evaluated on cone-beam computed tomography (CBCT) images. A total of 97 CBCT scans acquired for diagnostic purposes at Erciyes University, Faculty of Dentistry, Department of Oral and Maxillofacial Radiology between January 2016 and May 2024, were retrospectively collected. The CBCT images were obtained in DICOM format and annotated using the 3D Slicer 5.4.0 software (http://www.slicer.org). The annotation process was conducted manually using a polygonal technique on sagittal, coronal, and axial planes by oral and maxillofacial radiology research assistants with at least three years of experience in CBCT imaging. An nnU-Net v2-based algorithm was developed using Python 3.6.1 and the PyTorch library, and the model was trained for 1000 epochs with a learning rate of 0.00001. The model's performance was evaluated using metrics such as Accuracy, Dice Similarity Coefficient (DSC), sensitivity, precision, Area Under the Curve (AUC), 95% Hausdorff Distance (95% HD), and Intersection over Union (IoU). The study findings demonstrated that the nnU-Net v2-based algorithm achieved high automated segmentation performance across all sinuses. The DSC values for the frontal, sphenoid, maxillary, and ethmoid sinuses were found to be 0.94, 0.95, 0.97, and 0.88, respectively. Accuracy scores exceeded 99% for all sinuses. The 95% HD were 0.51 mm for the frontal and maxillary sinuses, 0.85 mm for the sphenoid sinus, and 1.17 mm for the ethmoid sinus. The Jaccard Index values were 0.90, 0.91, 0.94, and 0.80 for the frontal, sphenoid, maxillary, and ethmoid sinuses, respectively. This study highlights the high accuracy and precision of the nnU-Net v2-based CNN model in the fully automated segmentation of paranasal sinuses from CBCT images. The results suggest that the proposed model can significantly contribute to clinical decision-making processes, facilitating diagnostic and therapeutic procedures for otolaryngologists, maxillofacial radiologists, and surgeons. Additionally, the model has the potential to optimize workflow by saving time during examinations.
Benzer Tezler
- Ortognatik cerrahi hastalarında yapay zeka algoritmasına sahip sefalometrik analizlerin dijital iki ve üç boyutlu sefalometrik analizler ile karşılaştırılması
Comparison of cephalometric analyses with artificial intelligence algorithm with digital two and three dimensional cephalometric analyses in orthognatic surgery patients
ENES TEMİZKAN
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiBezm-i Alem Vakıf ÜniversitesiOrtodonti Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BANU KILIÇ
- Üç boyutlu yazıcılar marifetiyle beton bina inşasında duvar topolojisinin yapay zekâ teknikleri ile optimizasyonu
Topology optimization of 3D printed concrete structural walls through artificial intelligence techniques
ABDULKADİR ÖZALP
Doktora
İngilizce
2025
İnşaat MühendisliğiHacettepe Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER ALDEMİR
- Deep learning based road segmentation from multi-source and multi-scale data
Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi
OZAN ÖZTÜRK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Kontrastlı mamografi görüntülerinde benign ve malign meme kitlelerinin radyomik özelliklerinin karşılaştırılması
Comparison of radiomic features of benign and malign breast masses on contrast enhanced mammography images
AYKUT TEYMUR
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpKaradeniz Teknik ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. SİBEL KUL
- Yapay zeka yaklaşımı ile sefalometrik filmler üzerinden anatomik referans noktalarının tahmini ve açısal analizi
Estimation and angular analysis of anatomical reference points on cephalometric films with artificial intelligence approach
AYŞE BAŞAĞAOĞLU FINDIK
Doktora
Türkçe
2025
Mühendislik BilimleriSüleyman Demirel ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLTEKİN ÖZDEMİR