Geri Dön

Panoramik radyograflar üzerinde sabit bölümlü protezlerin tanımlanmasında yapay zeka algoritmasının başarısının değerlendirilmesi

Evaluating the success of an artificial intelligence algorithm in identifying fixed partial dentures on panoramic radiographs

PDF İndir

  1. Tez No: 949096
  2. Yazar: YUNUS ÇETİN
  3. Danışmanlar: DOÇ. DR. ZEYNEP BAŞAĞAOĞLU DEMİREKİN
  4. Tez Türü: Diş Hekimliği Uzmanlık
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: Yapay Zeka, Zirkonyum Veneer, Metal Destekli Porselen Veneer, Artificial Intelligence, Zirconium Veneer, Metal Supported Porcelain Veneer
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Süleyman Demirel Üniversitesi
  10. Enstitü: Diş Hekimliği Fakültesi
  11. Ana Bilim Dalı: Protetik Diş Tedavisi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 103

Özet

Panoramik Radyograflar Üzerinde Sabit Bölümlü Protezlerin Tanımlanmasında Yapay Zekâ Algoritmasının Başarısının Değerlendirilmesi Amaç: Bu çalışmada, panoramik radyografiler üzerinde zirkonyum veneer ve metal destekli porselen veneer restorasyonların, yapay zekâ tabanlı bir model aracılığıyla otomatik olarak materyal bazında sınıflandırılması amaçlanmıştır. Literatürdeki restorasyon türü odaklı sınıflamalardan farklı olarak, bu çalışma materyal ayrımına odaklanarak klinik karar destek sistemlerine daha özgül bir katkı sağlamayı hedeflemiştir. Yöntem: Bu araştırmada, Süleyman Demirel Üniversitesi Diş Hekimliği Fakültesi arşivinden elde edilen panoramik radyografiler kullanılmıştır. Görüntü kalitesi düşük olanlar ve eksik diş içeren radyografiler çalışma dışı bırakılmıştır. Ön işleme süreci sonunda, uzman hekim tarafından ImageJ yazılımı kullanılarak etiketlenen toplam 593 kırpılmış ROI (Region of Interest) görüntüsü analiz kapsamına alınmıştır. Sınıf dengesizliğini azaltmak amacıyla yalnızca zirkonyum veneer sınıfındaki görüntüler için veri artırımı (data augmentation) uygulanmıştır. Döndürme, yansıma ve parlaklık değişimi gibi çeşitli görüntü işleme teknikleri kullanılarak zirkonyum sınıfındaki örnek sayısı artırılmış ve böylece her iki sınıf için birbirine yakın sayıda örnek ile dengeli bir veri seti elde edilmiştir. Model eğitimi için önceden eğitilmiş VGG16 mimarisi transfer öğrenme yöntemiyle kullanılmış ve son katmanlar yeniden eğitilerek ince ayar (fine-tuning) uygulanmıştır. Model, yalnızca sınıflandırma görevine odaklanacak şekilde yapılandırılmıştır. Tüm veri seti %70 eğitim, %20 doğrulama ve %10 test oranında rastgele ayrılmıştır. Modelin sınıflandırma başarımı doğruluk (accuracy), F1 skoru, duyarlılık (sensitivity) ve özgüllük (specificity) gibi temel performans metrikleri üzerinden değerlendirilmiştir. Bulgular: Model, test veri setindeki 94 görüntüden 90'ını doğru sınıflandırarak %96 genel doğruluk oranına ulaşmıştır. Her iki sınıf için de precision, recall ve F1-skoru değerleri %95–96 aralığında ölçülmüştür. Ayrıca, ROC eğrisi altında kalan alan (AUC) değeri 0,994 ve Average Precision (AP) skoru 0,995 olarak hesaplanmıştır. Confusion matrix verilerine göre yalnızca 4 görüntü yanlış sınıflandırılmıştır (2 false positive, 2 false negative). Sonuç: Çalışma sonucunda, geliştirilen yapay zekâ modelinin zirkonyum veneer ve metal destekli porselen veneer restorasyonları yüksek doğrulukla ayırt edebildiği görülmüştür. Materyal bazlı bu sınıflandırma yaklaşımı, literatürde ilklerden biri olarak hem teknik başarı hem de klinik uygulanabilirlik açısından dikkat çekicidir. Modelin ulaştığı performans değerleri, bu özgül görevde yapay zekânın anlamlı bir ayırt ediciliğe sahip olduğunu göstermektedir. Bu yönüyle çalışma, gelecekte geliştirilecek klinik karar destek sistemleri için özgün ve kullanılabilir bir temel sunmaktadır.

Özet (Çeviri)

Evaluating the Success of an Artificial Intelligence Algorithm in Identifying Fixed Partial Dentures on Panoramic Radiographs Objective: This study aimed to automatically classify zirconia veneer and metal-supported porcelain veneer restorations on panoramic radiographs using an artificial intelligence-based model. Unlike previous studies that mainly focused on classifying types of restorations (e.g., crowns, fillings, implants), this research concentrated on material-based differentiation, aiming to provide a more specific contribution to clinical decision support systems. Method: Panoramic radiographs obtained from the archive of Süleyman Demirel University, Faculty of Dentistry were used in this study. Radiographs with poor image quality and missing teeth were excluded from the study. At the end of the preprocessing process, a total of 593 cropped ROI (Region of Interest) images labelled by the expert using ImageJ software were included in the analysis. In order to reduce class imbalance, data augmentation was applied only for images in the zirconium veneer class. By using various image processing techniques such as rotation, reflection and brightness change, the number of samples in the zirconium class was increased and thus a balanced data set was obtained with a close number of samples for both classes. For model training, the pre-trained VGG16 architecture was used with transfer learning method and the final layers were retrained and fine-tuned. The model was configured to focus only on the classification task. The entire dataset was randomly split into 70% training, 20% validation and 10% testing. The classification performance of the model was evaluated based on key performance metrics such as accuracy, F1 score, sensitivity and specificity. Results: The model correctly classified 90 out of 94 images in the test dataset, achieving an overall accuracy rate of 96%. For both classes, the precision, recall, and F1-score values were measured in the range of 95% to 96%. Additionally, the Area Under the Curve (AUC) of the ROC curve was calculated as 0.994, and the Average Precision (AP) score was determined to be 0.995. According to the confusion matrix results, only 4 images were misclassified, consisting of 2 false positives and 2 false negatives. Conclusion: As a result of the study, it was observed that the artificial intelligence model developed in this study was able to distinguish zirconium veneers and metal-supported porcelain veneers with high accuracy. This material-based classification approach is remarkable in terms of both technical success and clinical applicability as one of the first in the literature. The performance values achieved by the model show that artificial intelligence has a significant discrimination in this specific task. In this respect, the study provides a unique and usable basis for future clinical decision support systems.

Benzer Tezler

  1. Tez No

    243336

    Segmental kanin retraksiyonunda Prefabrike Springler ile Reverse Closing Loop'un karşılaştırılması

    Comparison of prefabricated springs and reverse closing loop in segmental canine retraction

    HATİCE KÖK

    Doktora

    Türkçe

    Türkçe

    2009

    Diş HekimliğiSelçuk Üniversitesi

    Ortodonti Ana Bilim Dalı

    PROF. DR. YAŞAR BEDİİ GÖYENÇ

  2. Tez No

    443885

    İndirekt ve direkt yapıştırma tekniklerinin tedavi süreci ve tedavi sonuçları üzerindeki etkilerinin değerlendirilmesi

    Effects of direct versus indirect bonding techniques on orthodontic treatment outcomes and treatment process

    KÜBRA YILDIRIM

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2016

    Diş HekimliğiHacettepe Üniversitesi

    Ortodonti Ana Bilim Dalı

    YRD. DOÇ. DR. BANU SAĞLAM AYDINATAY

  3. Tez No

    729569

    İmplant destekli sabit protetik tedavi sonrası kuron boyu/implant boyu oranının peri-implant doku sağlığına etkisinin klinik ve radyografik olarak değerlendirilmesi: Retrospektif çalışma

    Clinical and radiographic evaluation of the effect of crown length / implant length ratio on peri-implant tissue health on implant supported fixed prosthetic treatment:a retrospective study

    AYFER YILMAZ

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2022

    Diş HekimliğiKaradeniz Teknik Üniversitesi

    Periodontoloji Ana Bilim Dalı

    PROF. DR. ESRA BALTACIOĞLU

  4. Tez No

    740918

    Maksiller kanin retraksiyonunda iki farklı tekniğin biyomekanik olarak karşılaştırılması

    Biomechanical comparison of TWO different techniques in maxillary canine retraction

    MELİKE DURAN

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2022

    Diş HekimliğiTokat Gaziosmanpaşa Üniversitesi

    Ortodonti Ana Bilim Dalı

    PROF. DR. ALİ ALTUĞ BIÇAKÇI

  5. Tez No

    157724

    Radiographic evaluation of apical root resorption of maxillary first molars after intrusion using zygomatic skeletal anchorage

    Zigomatik ankraj kullanılarak gömülen üst birinci azıların kök rezorpsiyonu açısından radyografik olarak değerlendirilmesi

    MAZİN AL-MASRY

    Yüksek Lisans

    İngilizce

    İngilizce

    2004

    Diş HekimliğiMarmara Üniversitesi

    Ortodonti Ana Bilim Dalı

    YRD. DOÇ. DR. ARZU ARI DEMİRKAYA

Geri Dön