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
- Tez No: 952181
- Danışmanlar: PROF. DR. GÜLTEKİN ÖZDEMİR
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Yapay zeka, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay zeka uygulamaları üzerine yapılan önemli sayıda araştırma, sağlık hizmetlerinin kalitesinin ve verimliliğinin artırılabileceğini ve aynı zamanda maliyetlerin ve insan/sistem hatalarının azaltılabileceğini göstermiştir. Yapay zekanın sağlık hizmetlerindeki avantajları arasında zaman tasarrufu, manuel beceriler gerektiren görevlerin otomasyonu yoluyla standardizasyon ve azaltılmış iş yükü yer almaktadır. Özellikle ortodonti ve çene cerrahisi alanlarında, yapay zeka bileşenleri tedavi ve teşhis süreçlerini kolaylaştırmak için yaygın olarak kullanılmıştır. Ortodonti alanında, özellikle ortognatik cerrahi prosedürlerinin planlanması alanında, sefalometrik filmlerin kullanımı tedavi sonuçlarının etkinliğini ve kesinliğini sağlamada önemli bir rol oynamaktadır. Yapay zekayı çevreleyen güncel tartışmalar bağlamında, tedavi metodolojileri sefalometrik filmlerde noktaların ve açıların titizlikle belirlenmesi yoluyla tasarlanmaktadır. Ancak, sağlık hizmetlerinde görüntü analizi alanında zorluklar belirlenmiştir. Bu zorluklar, algoritmayı geliştiren mühendislik ekibi arasında yeterli tıbbi uzmanlığın olmaması ve algoritmayı kullanacak radyologların tam bilgi eksikliğidir. Mevcut sistemlerde belirlenen eksiklikler ve güvenilirlik sorunları nedeniyle daha verimli ve daha net programlara ihtiyaç duyulduğu açıktır. Bu eksiklikler sonucunda yanlış kullanım ve yorumlama nedeniyle hatalar meydana gelebilir. Mevcut çalışma, bu zorlukları ele almak ve sağlık sektöründe görüntü analizinin etkinliğini artırmak amacıyla mühendisler ve hekimler arasındaki iş birliğine dayalı bir çabayla titizlikle planlanmıştır. Anatomi noktalarının kesin tahmini klinik değerlendirmeler ve tedavi kararları için hayati önem taşıdığından, yanlış manuel analiz çeşitli kraniyofasiyal parametrelerin ölçülmesinde tutarsızlıklara neden olabilir. Bu nedenle, anatomi noktalarını doğru, güvenilir ve hızlı bir şekilde belirleyebilen otomatik bir anatomi noktası tespit sistemi geliştirmeye ihtiyaç vardır. Bu sebeple yerel bir yapay zeka modeli oluşturmak için mevcut çalışmada FARNet tabanlı bir model geliştirilmiştir. Bu model ile sefalometrik anatomi noktalarını otomatik olarak algılama yoluyla çene ameliyatlarında kullanılan iskeletsel açı değerlerinin ölçümü sağlanarak, doğru ortodontik tedavi planlamasını kolaylaştıran bir model geliştirilmiştir. Bu amaçla mevcut çalışmada, 46 anatomi noktasını kapsayan, açık erişimli internet tabanlı Amerikan Ortodontistler Derneği Vakfı Kraniyofasiyal Büyüme Mirası Koleksiyonu'ndan ve Ao ve Wu (2023) çalışmalarında belirttiği https://github.com/ JuvenileInWind/FARNet. adresinden indirilmiş olan 902 lateral sefalogram filminden oluşan farklı yaş gruplarını içeren bir veri seti kullanılmıştır. 902 filmdeki tüm anatomi noktalarının koordinatları elde edilerek etiketli bir veri seti oluşturulmuştur: 721'i eğitim, 80'i doğrulama ve 101'ü test için belirlenmiştir. Sefalometrik anatomi noktalarının otomatik tespiti için FARNet ağı kullanılmış ve modelin performansını değerlendirmek için 2 mm, 2,5 mm, 3 mm ve 4 mm aralığındaki ortalama radyal hata ve başarı tespit oranı (SDR) kullanılmıştır. Geliştirilen modelden elde edilen iki boyutlu sefalometrik radyografilerde iskelet, diş ve yumuşak doku noktalarının tespiti sonuçları ümit vericidir. Çalışmanın mimarisi olan FARNet modelinde, eğitim başarısı 2 mm aralığındaki üç nokta hariç (Glabella (G'), Pterygoid (Pt) ve Ramus (Ra)), SDR değerlerinin %80'in üzerinde olduğu gözlenmiştir. Çalışmada modelin performans değerleri şu şekilde ölçülmüştür: eğitim doğruluğu 0,977, doğrulama doğruluğu 0,93, test doğruluğu 0,935, eğitim kaybı 0,09, doğrulama kaybı 0,17 ve test kaybı 0,165. Modelde overfitting durumu yoktur. Model iyi bir öğrenme göstermiştir ve overfitting (aşırı uyum) olmamıştır. Ayrıca, FARNet mimarisinden elde edilen çıktılar ile oluşturulan yeni model ile iskeletsel açı ölçüm modeli oluşturulmuştur. Oluştulan bu moldelden elde edilen açısal parametre değerleri tutarlı sonuçlar ortaya koymuştur. Bu bulgulardan, modelin bir karar destek mekanizması olarak işlev görme potansiyeline sahip olduğu ve dolayısıyla hekimlerin klinik rutinlerindeki zaman yükünü azalttığı anlaşılmaktadır. Gelecekteki yinelemelerde, özellikle cerrahi ve ortodontik planlama ve tanı çalışmaları bağlamında, dental ve yumuşak doku açısal parametrelerinin ve doğrusal parametrelerin çalışma çerçevesine dahil edilmesi önerilmektedir. Bu çalışmanın kapsamlılığını ve pratik faydasını artırarak klinik bilgi ve uzmanlığın ilerlemesine katkıda bulunması beklenmektedir. Ayrıca çalışmada hastanın WebCeph çıktısının, geliştirilen yapay zeka programının çıktısıyla karşılaştırılması ve alanında 20 yıllık deneyime sahip uzman bir çene cerrahı ile birlikte yapılan değerlendirilmesi sunulmaktadır. Bu araştırmadan çıkarılan sonuç, geliştirilen yapay zeka modelinin sefalometrik analizler ve klinik ortodontik uygulamada tanı, tedavi planlaması ve takip için bir temel oluşturan ameliyat öncesi hareket miktarlarının değerlendirilmesi için büyük bir umut vaat ettiğini göstermektedir.
Özet (Çeviri)
A substantial corpus of research on AI applications has demonstrated that the quality and efficiency of healthcare services can be enhanced, while concomitantly reducing costs and human/system errors. The advantages of AI in healthcare are manifold, including but not limited to the following: time saving, standardisation through automation of tasks requiring manual skills, and reduced workload. The utilisation of artificial intelligence (AI) components has become increasingly prevalent in the domains of orthodontics and jaw surgery, with the aim of enhancing the efficacy of treatment and diagnostic procedures. In the domain of orthodontics, particularly in the realm of orthognathic surgery, the utilisation of cephalometric films assumes a pivotal role in ensuring the efficacy and precision of treatment outcomes. In the context of contemporary discourse on AI, treatment methodologies are devised through the meticulous delineation of points and angles on cephalometric films. Nevertheless, challenges have been identified in the field of image analysis in healthcare. These challenges are the lack of sufficient medical expertise among the engineering team developing the algorithm and the lack of complete knowledge of the radiologists who will use the algorithm. It is evident that there is a necessity for more efficient and clearer programs, owing to the deficiencies and reliability issues that have been identified in the existing systems. Errors may be caused by incorrect use and interpretation as a result of these deficiencies. The present study was meticulously planned through a collaborative endeavour between engineers and physicians, with the objective of addressing these challenges and enhancing the efficacy of image analysis in the healthcare sector. Accurate estimation of anatomical points is vital for clinical evaluations and treatment decisions, and inaccurate manual analysis may cause inconsistencies in the measurement of various craniofacial parameters. Consequently, there is a necessity to develop an automatic anatomy point detection system that can accurately, reliably and rapidly determine anatomy points. For this reason, the current study developed a FARNet-based model to create a local artificial intelligence model. This model facilitates accurate orthodontic treatment planning by automatically detecting cephalometric anatomy points and providing measurements of skeletal angle values used in jaw surgeries. To this end, the current study used a dataset consisting of 902 lateral cephalogram films covering 46 anatomical points and spanning different age groups. This dataset was downloaded from the American Association of Orthodontists Foundation's open-access, internet-based Craniofacial Growth Legacy Collection and from https://github.com/JuvenileInWind/FARNet, as reported in Ao and Wu (2023). A labelled dataset was created by obtaining the coordinates of all anatomy points in 902 films: 721 for training, 80 for validation and 101 for testing. The FARNet network was utilised for the automatic detection of cephalometric anatomy points. The performance of the model was evaluated using the mean radial error and success detection rate (SDR) within the 2 mm, 2.5 mm, 3 mm and 4 mm ranges. The results of the detection of skeletal, dental and soft tissue points in two-dimensional cephalometric radiographs obtained from the developed model are encouraging. In the FARNet model, the study's architecture yielded SDR values above 80%, with the exception of three points (Glabella (G'), Pterygoid (Pt) and Ramus (Ra)) in the 2 mm range. The model's performance values in the study were as follows: training accuracy 0,977, validation accuracy 0,930, test accuracy 0,935, training loss 0,090, validation loss 0,170 and test loss 0,165. There was no overfitting in the model. The model showed good learning and there was no overfitting. Additionally, a skeletal angle measurement model was created using the outputs obtained from the FARNet architecture. The angular parameter values obtained from this model revealed consistent results. These findings suggest that the model has the potential to function as a decision support mechanism, thereby reducing the time burden on physicians' clinical routines. Future iterations should include dental and soft tissue angular and linear parameters in the study framework, particularly in the context of surgical and orthodontic planning and diagnostic studies. This study is expected to contribute to the advancement of clinical knowledge and expertise by increasing its comprehensiveness and practical utility. In addition, the study presents a comparison of the patient's WebCeph output with the output of the developed artificial intelligence program and an evaluation conducted with an expert maxillofacial surgeon with 20 years of experience in the field. The results of this study show that the developed artificial intelligence model holds great promise for cephalometric analysis and the evaluation of preoperative movement amounts, which form a basis for diagnosis, treatment planning and follow-up in clinical orthodontic practice.
Benzer Tezler
- Manisa yöresinde domateste anlaşmalı tarım ve karşılaşılan sorunlar
Başlık çevirisi yok
OSMAN MURAT KOÇTÜRK
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiTarım Ekonomisi Ana Bilim Dalı
PROF. DR. METİN TALİM
- Bir pamuk iplikhanesinde fiili çalışma metodlarının incelenmesi ve mevcut işlemlerin standart sürelerinin saptanması
Başlık çevirisi yok
MÜRŞİDE KESEROĞLU
Yüksek Lisans
Türkçe
1985
İşletmeEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA NAZMİ ERCAN
- Barajların hacim-verim ilişkisi üzerine bir araştırma
Başlık çevirisi yok
MEHMET KILIÇARSLAN
Yüksek Lisans
Türkçe
1987
İnşaat MühendisliğiÇukurova Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. TEFARUK HAKTANIR
- Çiğit ve ayçiçek yağlarının doğal antioksidan içerikleri ile bu yağların stabilitelerinin arttırılmaları üzerinde araştırmalar
Başlık çevirisi yok
ALİ KEMAL YALNIZ
Doktora
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
PROF. DR. MAHİR ÇOLAKO¦LU
- Computer aided design of lumped and distributed broadband matching and filtering networks
Başlık çevirisi yok
ADNAN KÖKSAL
Yüksek Lisans
İngilizce
1987
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NEVZAT YILDIRIM