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
- Tez No: 954524
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMET ÜSAME ÖZİÇ, DOÇ. DR. MELEK TAŞSÖKER BULUT
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Pamukkale Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 85
Özet
Maksiller sinüs, paranazal sinüsler içinde en erken gelişen ve en büyük olan yapıdır. Üst çenede yer alan bu sinüs, solunan havayı filtreleme, ısıtma ve nemlendirme görevlerini üstlenir. Sinüzit, mukozal kalınlaşma, kistler ve opasiteler gibi patolojiler; yüz ağrısı, burun tıkanıklığı ve koku kaybı gibi klinik şikayetlere yol açabilir. Bu patolojilerin doğru şekilde tespit ve sınıflandırılması, yayılım ve ciddiyetin belirlenmesi açısından büyük önem taşır. Konik ışınlı bilgisayarlı tomografi (KIBT), üç boyutlu görüntüleme kapasitesiyle bu analizlerde yaygın olarak kullanılmaktadır. Bu tez kapsamında, KIBT görüntülerinde yapay zeka destekli maksiller sinüs patolojilerinin tespiti, sınıflandırılması ve segmentasyonu gerçekleştirilmiştir. Burada sınıflandırma işlemi bağımsız bir adım olarak değil, tespit sürecine entegre biçimde gerçekleştirilmiş ve her tespit aynı zamanda ilgili patoloji sınıfını da belirlemiştir. Necmettin Erbakan Üniversitesi Ağız, Diş ve Çene Radyolojisi Anabilim Dalı ile iş birliği yapılarak, etik kurul onayıyla 100 KIBT görüntüsü toplanmış ve patolojilerin bulunduğu kesitler etiketlenmiştir. Veri seti; normal, hava-sıvı seviyesi, mukozal kalınlaşma, tam opaklaşma ve mukus retansiyon kisti olmak üzere beş farklı kategori üzerinden YOLO11 algoritmasının tüm alt modelleriyle eğitilmiş ve test edilmiştir. Sonuçlarda YOLO11m modeli, patoloji tespiti ve segmentasyonunda en yüksek performansı göstermiştir. Ortalama kesinlik, duyarlılık, F1-skor ve mAP değerleri, modelin yüksek doğruluk ve güvenilirlik sunduğunu ortaya koymuştur. Ayrıca YOLO11s modeli, hava segmentasyonu görevinde öne çıkmıştır. Geliştirilen klinik karar destek sistemi, maksiller sinüs patolojilerinin otomatik, hızlı ve güvenilir biçimde analizini sağlamaktadır. Bulgular, modellerin farklı patoloji türlerini yüksek başarıyla ayırt edebildiğini ve klinik uygulamalarda değerli bir araç olabileceğini göstermektedir.
Özet (Çeviri)
The maxillary sinus is the largest and earliest developing paranasal sinus, located in the upper jaw with functions of filtering, warming, and humidifying inhaled air. Pathologies such as sinusitis, mucosal thickening, cysts, and opacities may cause facial pain, nasal obstruction, and loss of smell. Accurate detection and classification are essential for evaluating their extent and severity. Cone-beam computed tomography (CBCT), with its three-dimensional imaging capability, is widely used for such analyses. This thesis proposes an AI-assisted system for the detection, classification, and segmentation of maxillary sinus pathologies in CBCT images. Unlike traditional approaches, classification was integrated into the detection process, so that each identified region was simultaneously assigned a pathology class. With ethics approval, 100 CBCT scans were collected in collaboration with the Department of Oral, Dental, and Maxillofacial Radiology at Necmettin Erbakan University. Annotated images were categorized into five groups: normal, air-fluid level, mucosal thickening, complete opacification, and mucous retention cyst. All sub-models of the YOLO11 algorithm were trained and tested on this dataset. Results showed that the YOLO11m model achieved the highest performance in pathology detection and segmentation, with strong precision, recall, F1-score, and mAP values, confirming accuracy and reliability. The YOLO11s model performed best in air segmentation tasks. The developed clinical decision support system enables automatic, fast, and reliable analysis of maxillary sinus pathologies. The findings demonstrate that deep learning can accurately distinguish between pathology types, offering a valuable tool for clinical practice.
Benzer Tezler
- Yapay zeka tabanlı tam otomatik 3 boyutlu paranazal sinüs segmentasyonu
Artificial intelligence based fully automatic 3D paranasal sinus segmentation
MERYEM KAYGISIZ YİĞİT
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiErciyes ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DOÇ. DR. MERYEM ETÖZ
- Maksiller 3.molar dişlerde panoramik radyografinin etkinliğinin konik ışınlı bilgisayarlı tomografiyle elde edilen bulgularla geliştirilmiş yapay zeka modeli üzerinde değerlendirilmesi
Evaluation of the efficiency of panoramic radiography in maxillary third molar teeth on artificial intelligence model developed by findings obtained by cone beam computed tomography
ESRA AYDEMİR KADAN
Doktora
Türkçe
2024
Diş HekimliğiAtatürk ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
PROF. DR. SAADETTİN DAĞİSTAN
PROF. DR. ÖZKAN MİLOĞLU
- Yapay zekâ sistemi kullanılarak konik ışınlı bilgisayarlı tomografi görüntülerinde temporomandibular eklem osteoartritinin sınıflandırılması
Artificial intelligence system for classification of temporomandibular joint osteoarthritis on CONE-BEAM CT images
GÖZDE EŞER
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş Hekimliğiİnönü ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DOÇ. DR. ŞUAYİP BURAK DUMAN
- Derin öğrenme yöntemine dayalı yapay zeka algoritmalarıyla konik ışınlı bilgisayarlı tomografi görüntülerinde dişlerin tespit edilmesi ve numaralandırılması
Detection and numbering of teeth in CONE-BEAM computed tomography images with artificial intelligence algorithms based on deep learning method
HANDE SAĞLAM
Diş Hekimliği Uzmanlık
Türkçe
2021
Diş HekimliğiEskişehir Osmangazi ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DOÇ. DR. İBRAHİM ŞEVKİ BAYRAKDAR
- Gömülü mandibular 3. molar dişlerde panoramik radyografinin etkinliğinin konik ışınlı bilgisayarlı tomografiyle elde edilen bulgularla geliştirilmiş yapay zeka modeli üzerinde değerlendirilmesi
Evaluation of the efficiency of panoramic radiography in mandibular impacted third molar teeth on artificial intelligence model developed by findings obtained by cone beam computed tomography
MUSTAFA TAHA GÜLLER
Doktora
Türkçe
2023
Diş HekimliğiAtatürk ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
PROF. DR. ÖZKAN MİLOĞLU