Geri Dön

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

  1. Tez No: 947575
  2. Yazar: DİLARA KARA
  3. Danışmanlar: DOÇ. DR. SERDAR UYSAL
  4. Tez Türü: Diş Hekimliği Uzmanlık
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Diş Hekimliği Fakültesi
  11. Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 112

Özet

Bu çalışma, MedSAM algoritmasını üç boyutlu Konik Işınlı Bilgisayarlı Tomografi görüntülerinde, düşük kontrastlı ve küçük anatomik yapı olan Foramen Palatinum Majus üzerinde etkili bir şekilde uygulayarak, manuel tespit yöntemlerini yapay zeka tabanlı yaklaşımlar ile desteklemeyi ve tespit doğruluğu ve işlem etkinliğini artırmayı hedeflemektedir. Çalışma, Hacettepe Üniversitesi Diş Hekimliği Fakültesi Ağız, Diş ve Çene Radyolojisi Anabilim Dalı'ndan alınan 500 hastaya ait Konik Işınlı Bilgisayarlı Tomografi görüntülerine dayanmaktadır. Görüntüler, i-CAT Next Generation cihazı ile çekilmiş olup, her hasta için ortalama 39 kesitte Foramen Palatinum Majus varlığı tespit edilmiştir. Çalışma retrospektif olup, yeni bir görüntü alınmamıştır. Foramen Palatinum Majus yapılarının segmentasyonu 3D Slicer yazılımı kullanılarak manuel olarak gerçekleştirilmiştir. Etiketleme işlemi sırasında, oval, yuvarlak ve yarık gibi farklı morfolojik varyasyonlar göz önünde bulundurulmuş ve segmentasyon maskeleri NIfTI formatında oluşturulmuştur. Segmentasyon süreci, keskinleştirme ve çözünürlük standardizasyonu gibi ön işleme adımları ile optimize edilmiştir. Modelin eğitiminde, öğrenme hızı 0.001 olarak belirlenmiş ve Adam optimizasyon algoritması kullanılarak eğitim süreci stabil bir şekilde yönetilmiştir. Dice kayıp fonksiyonu, segmentasyon doğruluğunu artırmak için tercih edilmiştir. Eğitim süreci, %80 eğitim ve %20 doğrulama verisi ile gerçekleştirilmiş, modelin doğruluk ve genelleme yeteneği değerlendirilmiştir. Çalışma %66,6 kadın hasta ve %33,4 erkek hastadan oluşmaktadır. Yaş ortalaması 43,55 yıl olarak belirlenmiştir. FPM tiplerine ilişkin yapılan analizde, sağ Foramen Palatinum Majus için oval (ovoid) tip %75,4 ile baskın bulunmuş, bunu yuvarlak ve yarık tipler izlemiştir. Benzer şekilde, sol Foramen Palatinum Majus'ta da oval tip %79,4 ile en yaygın tip olmuştur. Foramen Palatinum Majus'un anatomik varyasyonlarının en sık görülen kombinasyonu ise“Sol oval-Sağ oval”olarak tespit edilmiştir. Modelin segmentasyon başarısı, eğitim sürecindeki performans izlemeleri ile değerlendirilmiştir. Eğitim kaybı 1.239'dan 0.995'e düşerken, doğrulama kaybı da benzer oranda azalmıştır. Performans ölçütü olarak kullanılan Dice katsayısı epok sayısı arttıkça 0.710'dan 0.861'e yükselmiştir. Diğer performans ölçütleri olan hassasiyet değeri 0.817'den 0.903'e, duyarlılık değeri ise 0.627'den 0.822'ye çıkmıştır. Epok sayısı arttıkça modelin segmentasyon doğruluğunun önemli ölçüde arttığı, hem yanlış pozitiflerin sayısının azaldığı hem de doğru pozitiflerin daha yüksek başarıyla tespit edildiği görülmektedir. Sonuç olarak, bir derin öğrenme modeli olan MedSAM algoritmasının Foramen Palatinum Majus'un anatomik varyasyonlarını bölütlemede ve sınıflandırma konusunda yüksek doğruluk sergileyerek, klinik uygulamalarda destekleyici bir araç olarak kullanılabileceği sonucuna varılmıştır. Bu çalışma, yapay zeka tabanlı teknolojilerin diş hekimliği alanında radyolojik değerlendirmeleri iyileştirme potansiyelini ortaya koymaktadır.

Özet (Çeviri)

This study aims to enhance manual detection methods with artificial intelligence-based approaches and improve detection accuracy and processing efficiency by effectively applying the MedSAM algorithm on Foramen Palatinum Majus, a low-contrast and small anatomical structure in three-dimensional Cone Beam Computed Tomography images. The study is based on Cone Beam Computed Tomography images of 500 patients obtained from Hacettepe University Faculty of Dentistry, Department of Dentomaxillofacial Radiology. The images were acquired with the i-CAT Next Generation device and the presence of Foramen Palatinum Majus was detected in an average of 39 slices for each patient. The study was retrospective and no new images were obtained. Segmentation of Foramen Palatinum Majus structures was performed manually using 3D Slicer software. During the labeling process, different morphological variations such as oval, round and cleft were considered and segmentation masks were created in NIfTI format. The segmentation process was optimized with preprocessing steps such as sharpening and resolution standardization. In the training of the model, the learning rate was set to 0.001 and the training process was managed stably using the Adam optimization algorithm. The Dice loss function was chosen to improve the segmentation accuracy. The training process was performed with 80% training and 20% validation data, and the accuracy and generalization ability of the model were evaluated. The study consisted of 66.6% female patients and 33.4% male patients. The mean age was 43.55 years. In the analysis of FPM types, the oval (ovoid) type was found to be dominant with 75.4% for the right Foramen Palatinum Majus, followed by round and cleft types. Similarly, in the left Foramen Palatinum Majus, the oval type was the most common type with 79.4%. The most common combination of anatomical variations of the Foramen Palatinum Majus was found to be“Left oval-Right oval”. The segmentation success of the model was evaluated by performance monitoring during the training process. While the training loss decreased from 1.239 to 0.995, the validation loss decreased at a similar rate. The Dice coefficient used as a performance measure increased from 0.710 to 0.861 as the number of epochs increased. Other performance measures such as precision increased from 0.817 to 0.903 and sensitivity increased from 0.627 to 0.822. As the number of epochs increases, the segmentation accuracy of the model increases significantly, both the number of false positives decreases and true positives are detected with higher success. As a result, it is concluded that MedSAM algorithm, a deep learning model, can be used as a supportive tool in clinical applications by exhibiting high accuracy in segmenting and classifying anatomical variations of Foramen Palatinum Majus. This study demonstrates the potential of artificial intelligence-based technologies to improve radiologic assessments in dentistry.

Benzer Tezler

  1. Tez No

    468885

    Greater palatinal kanal ve greater palatinal foramenin yaş,taraf ve cinsiyet değişkenine göre konik ışınlı bilgisayarlı tomografi yöntemiyle değerlendirilmesi

    Greater palatinal channel and greater palatinal foramen age, particle and sex variability by computerized tomography evaluation

    SONGÜL SAVCI ÇENGEL

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2016

    Diş HekimliğiHacettepe Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. AYDAN KANLI

  2. Tez No

    519715

    Ortodontik minivida kullanımında güvenli bölgelerin KIBT (Konik ışınlı bilgisayarlı tomografi) ile değerlendirilmesi

    Evaluation with cbct (cone-beam computerized tomography) of safe zones for orthodontic miniscrew use

    ALİ KARACA

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2018

    Diş HekimliğiSağlık Bilimleri Üniversitesi

    Ortodonti Ana Bilim Dalı

    DOÇ. DR. FİDAN ALAKUŞ SABUNCUOĞLU

  3. Tez No

    900328

    Konik ışınlı bilgisayarlı tomografi görüntülerinde derin öğrenme tabanlı kritik anatomik yapıların tespiti

    Deep learning based detection of critical anatomical structures in cone beam computed tomography images

    FURKAN AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSamsun Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUAMMER TÜRKOĞLU

  4. Tez No

    726656

    Konik ışınlı bilgisayarlı tomografi görüntülerinde canalis sinuosus'un ve bununla ilişkili aksesuar kanalların incelenmesi

    Investigation of canalis sinuosus and related accessory canals in cone-beam computed tomography images

    HATİCE TETİK

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2022

    Diş HekimliğiGazi Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. ZÜHRE AKARSLAN

  5. Tez No

    945136

    Foramen zygomatıcofacıale'nin konik ışınlı bilgisayarlı tomografi görüntülerinde anatomik olarak incelenmesi

    Anatomical investigation of zygomaticofacial foramen on cone beam computed tomography images

    TUĞBA AY

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    AnatomiGaziantep Üniversitesi

    Anatomi Ana Bilim Dalı

    PROF. DR. PİRAYE KERVANCIOĞLU

    DR. ÖĞR. ÜYESİ SALİHA SEDA ADANIR

Geri Dön