Mandibula fraktürlerinin panoramik radyografilerde tespiti ve anatomik sınıflandırılmasında iki farklı derin evrişimli sinir ağı modelinin karşılaştırmalı incelenmesi
Comparative analysis of two different deep convolutional neural network models in the detection and anatomical classification of mandibular fractures
- Tez No: 960435
- Danışmanlar: DOÇ. DR. UTKU NEZİH YILMAZ
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ağız Diş ve Çene Cerrahisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 105
Özet
Mandibular kırıklar, maksillofasiyal travmalar içerisinde en sık karşılaşılan durumlar arasında yer almakta olup; çiğneme, konuşma ve estetik gibi birçok önemli fonksiyonu etkileyebilmektedir. Bu kırıkların doğru bir şekilde tespit edilmesi ve anatomik olarak sınıflandırılması, tedavi sürecinin başarısı açısından büyük önem taşımaktadır. Panoramik radyografiler, mandibula kırıklarının değerlendirilmesinde sıklıkla kullanılan temel görüntüleme araçlarındandır. Son yıllarda gelişen teknolojiler sayesinde, yapay zekâ tabanlı sistemlerin tıbbi görüntüleme alanında kullanımı artmış ve bu sistemlerin klinik karar süreçlerine katkı sağlayabileceği görülmüştür. Bu çalışmada, panoramik radyografilerde mandibula kırıklarının otomatik olarak tespit edilmesi amacıyla derin öğrenme algoritmalarından YOLOv5 ve YOLOv8 modellerinin tanısal başarımları karşılaştırılmıştır. Tek aşamalı nesne tespiti modelleri olan YOLOv5 ve YOLOv8, mandibular anatomik bölgelerdeki (korpus, angulus, ramus, kondil, simfiz) kırıkları tespit etmek üzere eğitilmiştir. Çalışmada 400 panoramik radyografi görüntüsü kullanılmış, veri artırma yöntemleriyle toplam görüntü sayısı 980'e çıkarılmıştır. Görüntüler %80 eğitim, %10 doğrulama ve %10 test seti olarak ayrılmıştır. Modellerin performansları precision, recall, F1 skoru, mean Average Precision (mAP) ve Intersection over Union (IoU) gibi metriklerle değerlendirilmiştir. Test sonuçlarına göre YOLOv8 modeli 0,85 precision, 0,83 recall, 0,84 F1 skoru, 0,89 mAP ve 0,82 IoU değeri ile genel olarak daha yüksek bir başarı göstermiştir. YOLOv5 modeli ise 0,81 precision, 0,78 recall, 0,79 F1 skoru, 0,84 mAP ve 0,77 IoU değeri elde etmiştir. Her iki model de mandibula kırıklarının tespitinde yüksek doğruluk oranları göstermiş olsa da, YOLOv8 modelinin daha stabil ve güçlü bir performans sergilediği gözlemlenmiştir. Elde edilen bulgular, derin öğrenme tabanlı nesne tespiti algoritmalarının, panoramik radyografilerde mandibula kırıklarının değerlendirilmesinde etkili bir karar destek aracı olarak kullanılabileceğini göstermektedir.
Özet (Çeviri)
Mandibular fractures are among the most common conditions encountered in maxillofacial trauma and can affect several critical functions such as mastication, speech, and aesthetics. Accurate detection and anatomical classification of these fractures are crucial for the success of the treatment process. Panoramic radiographs are commonly used imaging tools for the evaluation of mandibular fractures. With recent technological advancements, the integration of artificial intelligence-based systems into medical imaging has increased and these systems have demonstrated potential contributions to clinical decision-making processes. In this study, the diagnostic performances of two deep learning algorithms, YOLOv5 and YOLOv8, were compared for the automatic detection of mandibular fractures on panoramic radiographs. Both YOLOv5 and YOLOv8, which are single-stage object detection models, were trained to identify fractures in specific anatomical regions of the mandible (corpus, angulus, ramus, condyle, symphysis). A total of 400 panoramic radiographs were used in the study, and the dataset was expanded to 980 images using data augmentation techniques. The dataset was split into 80% training, 10% validation, and 10% testing. The performances of the models were evaluated using metrics such as precision, recall, F1-score, mean Average Precision (mAP), and Intersection over Union (IoU). According to the test results, the YOLOv8 model achieved 0.85 precision, 0.83 recall, 0.84 F1-score, 0.89 mAP, and 0.82 IoU, demonstrating overall higher performance. The YOLOv5 model, on the other hand, achieved 0.81 precision, 0.78 recall, 0.79 F1-score, 0.84 mAP, and 0.77 IoU. Although both models showed high accuracy in the detection of mandibular fractures, YOLOv8 exhibited a more stable and superior performance. The findings of this study suggest that deep learning-based object detection algorithms can serve as effective decision support tools in the evaluation of mandibular fractures on panoramic radiographs.
Benzer Tezler
- İmmediat ve geç yerleştirilen dental implantların marjinal kemik seviyelerinin uzun dönem radyografik olarak değerlendirilmesi: Retrospektif çalışma
Long-term radiographic evaluation of marginal bone levels of immediate and late dental implants:A retrospective study
ASLIHAN YAZICI
Diş Hekimliği Uzmanlık
Türkçe
2020
Diş HekimliğiKaradeniz Teknik ÜniversitesiPeriodontoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKAN ŞÜKÜROĞLU
- Mandibula kondil fraktürlerinin retrospektif analizi
Mandibular conyle fractures: retrospective analysis
FERHAN YAMAN
Doktora
Türkçe
2006
Diş HekimliğiDicle ÜniversitesiAğız, Diş, Çene Hastalıkları ve Cerrahisi Ana Bilim Dalı
PROF. DR. BELGİN GÖRGÜN
- Mandibula fraktürlerinin 64 kesit multidedektör bilgisayarlı tomografi ile retrospektif değerlendirilmesi
Retrospective analysis of mandibular fracture with 64 slice multidetector computed tomography
HAKAN YERAL
Tıpta Uzmanlık
Türkçe
2015
Radyoloji ve Nükleer TıpMustafa Kemal ÜniversitesiRadyodiagnostik Ana Bilim Dalı
DOÇ. DR. HANİFİ BAYAROĞULLARI
- Mandibular subkondil fraktürlerinin fiksasyonunda kullanılan farklı plak sistemlerinin sonlu elemanlar analizi ile değerlendirilmesi
Evaluation of different plate systems used in fixation of mandibular subcondyle fractures by finite element analysis
MESUT YILDIZ
Diş Hekimliği Uzmanlık
Türkçe
2022
Diş HekimliğiDicle ÜniversitesiAğız Diş ve Çene Cerrahisi Ana Bilim Dalı
PROF. DR. BEYZA KAYA