Yapay zeka destekli FCN model performansının değerlendirilmesi: KIBT görüntüleri üzerinde nazopalatin kanalın otomatik segmentasyon uygulaması
Evaluation of artificial intelligence assisted FCN model performance: Application of automatic segmentation of the nasopalatine canal on CBCT images
- Tez No: 965145
- Danışmanlar: PROF. DR. GÜLŞAH SEYDAOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Derin öğrenme, tıbbi görüntü analizinde önemli bir çerçeve haline gelmiş olup, ilgi bölgelerinin segmentasyonunu otomatikleştirmekte ve standartlaştırmaktadır. Bu süreç, bilgisayar destekli tanı, girişimsel işlemler ve tedavi için kritik öneme sahiptir. Konik ışınlı bilgisayarlı tomografi (KIBT), maksillofasiyal yapıların ayrıntılı üç boyutlu görüntülerini sunarak dental görüntülemede çığır açmış olmasına rağmen, KIBT kullanılarak NPK segmentasyonunun çeşitli zorlukları mevcuttur. Bu çalışmada, derin öğrenme tabanlı nnU-Net v2 model performansına dayalı KIBT görüntülerinde NPK'nın otomatik segmentasyonunun değerlendirilmesi amaçlanmıştır. Çalışma retrospektif olarak yürütülmüş, veriler eğitim (n=82) ve test (n=8) seti olmak üzere iki gruba ayrılmıştır. Otomatik segmentasyon, klinik radyoloji ve yapay zekâ alanında yaygın olarak kullanılan performans metrikleri (gerçek pozitif, yanlış pozitif, yanlış negatif, doğruluk, kesinlik, duyarlılık, F1-skoru, Dice katsayısı, Jaccard indeksi [IoU], %95 Hausdorff mesafesi [mm] ve Hausdorff mesafesi [mm]) ile değerlendirilmiştir. Ayrıca ROC eğrisi elde edilerek eğri altında kalan alan (EAA) hesaplanmıştır. NPK segmentasyonu için kullanılan nnU-Net v2 mimarisi sonucunda elde edilen karmaşıklık matrisine göre gerçek pozitif, yanlış pozitif, yanlış negatif, doğruluk, kesinlik, duyarlılık ve F1-skoru değerleri sırasıyla 914, 282,13, 131,25, 3,09, 0,11, 0,99, 0,74, 0,89 ve 0,81 olarak bulunmuştur. Ayrıca Dice katsayısı, Jaccard indeksi (IoU), %95 Hausdorff mesafesi (mm) ve Hausdorff mesafesi (mm) sırasıyla 0,80, 0,67, 1,02 mm ve 1,90 mm olarak hesaplanmıştır. EAA ise 0,94 olarak analiz edilmiştir. Bu sonuçlar, nnU-Net v2 modelinin nazopalatin kanal segmentasyonunda yüksek doğruluk ve güvenilirlik sağladığını göstermektedir.
Özet (Çeviri)
Deep learning has become an important framework in medical image analysis, automating and standardizing the segmentation of regions of interest. This process is crucial for computer-aided diagnosis, interventional procedures, and treatment. Although cone-beam computed tomography(CBCT) has revolutionized dental imaging by providing detailed three-dimensional views of maxillofacial structures, several challenges remain in segmenting the nasopalatine canal(NPC) using CBCT. This study aimed to evaluate the automatic segmentation of the NPC on CBCT images based on the performance of a deep learning–based nnU-Net v2 model. The study was conducted retrospectively, and the data were divided into two groups as training (n=82) and test (n=8) sets. Automatic segmentation was evaluated using performance metrics commonly employed in clinical radiology and artificial intelligence, including true positives, false positives, false negatives, accuracy, precision, recall, F1-score, Dice coefficient, Jaccard index (IoU), 95% Hausdorff distance (mm), and Hausdorff distance (mm). In addition, the receiver operating characteristic (ROC) curve was generated, and the area under the curve (AUC) was calculated. According to the confusion matrix obtained with the nnU-Net v2 architecture for NPC segmentation, the values of true positives, false positives, false negatives, accuracy, precision, recall, and F1-score were found to be 914, 282.13, 131.25, 3.09, 0.11, 0.99, 0.74, 0.89, and 0.81, respectively. Furthermore, the Dice coefficient, Jaccard index (IoU), 95% Hausdorff distance (mm), and Hausdorff distance (mm) were calculated as 0.80, 0.67, 1.02 mm, and 1.90 mm, respectively. The AUC value derived from the ROC curve was 0.94. These findings demonstrate that the nnU-Net v2 model provides high accuracy and reliability in the segmentation of the nasopalatine canal.
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