Panoramik radyografiler kullanılarak dental implant sistemlerinin tanımlanmasında yapay zekanın etkinliği
Effectiveness of artificial intelligence in the identification of dental implant systems using panoramic radiographs
- Tez No: 967559
- Danışmanlar: PROF. DR. MİNE CAMBAZOĞLU
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ağız Diş ve Çene Cerrahisi Ana Bilim Dalı
- Bilim Dalı: Ağız, Diş ve Çene Cerrahisi Bilim Dalı
- Sayfa Sayısı: 89
Özet
Geçmişte implant yaptırmış ve buna bağlı komplikasyon yaşayan ancak uygulanan implant markası hakkında bilgi veremeyen hastaların problemlerini doğru bir şekilde çözebilmek adına mevcut implant markasının yapay zeka desteği ile tanımlanması amaçlanmaktadır. Ankara Üniversitesi Diş Hekimliği Fakültesi Ağız, Diş ve Çene Cerrahisi Anabilim Dalı'nda 2021 Şubat - 2023 Kasım tarihleri arasındaki dönemde en çok yapılan beş implant markasının (Dentis OneQ, İmplance, Medentika, Nucleoss T6, Straumann BLT) yer aldığı dijital panoramik radyografilerden oluşan bir veri kümesi elde edildi. Bu panoramik radyografilerden 1391 implant görüntüsü ''Labelme'' adlı uygulama ile manuel olarak kırpıldı ve tıbbi kayıtlara göre etiketlendi. İmplant tipi başına toplanan minimum görüntü sayısına göre etiketlenen görüntülerin yaklaşık %80'i eğitim veri seti (algoritmayı kalibre etmek için kullanılır) olarak, %20'si de test veri seti (algoritmayı değerlendirmek için kullanılır) olarak ikiye ayrıldı. İmplant görüntüleri etiketlendiği için problem tanımı görüntü sınıflandırması olarak yapıldı. Etiketlenen implant görüntüleri derin öğrenme ve görüntü işleme teknikleri ile sınıflandırıldı. Görüntü sınıflandırması için uygun ve gerekli derin öğrenme yöntemleri MMPreTrain (https://github.com/open-mmlab/mmpretrain) platformu kullanılarak değerlendirildi. Görüntü sınıflandırması için görüntü işleme literatüründe sıklıkla kullanılan güncel yöntemler olan EfficienNet, ResNet101, ShuffleNet, VGG derin öğrenme mimarileri (algoritmaları) kullanıldı. Geliştirilen derin öğrenme modelleri sınıflandırma metrikleri olan doğruluk (precision), duyarlılık (recall) ve f1 puanı (f-score) metrikleri ile değerlendirildi. EfficientNet modeli %96,0650 doğruluk, %94,3172 duyarlılık ve %95,0260 f1 puanı elde etti. ResNet101 modeli %94,6711 doğruluk, %94,0990 duyarlılık ve %94,3761 f1 puanı elde etti. ShuffleNet modeli %96,4434 doğruluk, %94,8191 duyarlılık ve %95,4599 f1 puanı elde etti. VGG modeli %92,3511 doğruluk, %90,5694 duyarlılık ve %91,2384 f1 puanı elde etti. Her modelin doğruluk, duyarlılık ve f1 puanı dahil olmak üzere performans ölçütleri sunulmuştur. ShuffleNet modeli, %96,4434 doğruluk, %94,8191 duyarlılık ve %95,4599 f1 puanı elde ederek diğer mimarileri geride bırakmıştır. Bu sonuçlar, çeşitli evrişimli sinir ağı (ESA) mimarilerinin dental implant sınıflandırması için etkinliğine ilişkin değerli öngörüler sağlar. Performans ölçütleri, araştırmacıların ve uygulayıcıların modellerin performansını karşılaştırıp değerlendirmelerine ve dental implant sınıflandırma görevleri için en uygun mimariyi seçmelerine olanak tanır. Sonuç olarak, bu araştırma yapay zeka aracılığı ile dental implantların sınıflandırılması için yapılan çalışmalara katkıda bulunmaktadır. Değerlendirilen ESA mimarileri panoramik radyografilerden dental implant sistemlerini doğru bir şekilde sınıflandırma yeteneğini göstermektedir. Bu çalışmanın, klinisyenlerin ve hastaların implantın markasını bilmemekten kaynaklanan gereksiz tedavi ve tıbbi masraflardan kaçınmasına yardımcı olarak alanındaki gelecekteki gelişmelerin önünü açacağına, nihayetinde dental profesyonellere fayda sağlayacağına ve dental implant alanında hasta bakımını iyileştireceğine inanıyoruz. Bu çalışmanın sonuçlarını genişletmek için, nadiren görülen implant türleri de dahil olmak üzere çok çeşitli implant sistemlerini içeren bir veritabanı oluşturmak gerekir.
Özet (Çeviri)
The aim of this study is to accurately identify the brand of dental implants, particularly for patients who have undergone implant treatment and experienced complications but are unable to provide information about the implant brand, with the assistance of artificial intelligence. A dataset consisting of digital panoramic radiographs of the five most commonly used implant brands (Dentis OneQ, İmplance, Medentika, Nucleoss T6, Straumann BLT) between February 2021 and November 2023 was collected from the Department of Oral and Maxillofacial Surgery, Faculty of Dentistry, Ankara University. From these panoramic radiographs, 1391 implant images were manually cropped and labeled using the Labelme application based on medical records. The images were divided into two sets: approximately 80% were used for training (to calibrate the algorithm) and 20% for testing (to evaluate the algorithm). Since the implant images were labeled, the problem was defined as an image classification task. The labeled implant images were classified using deep learning and image processing techniques. Suitable deep learning methods for image classification were evaluated using the MMPreTrain platform (https://github.com/open-mmlab/mmpretrain). The most commonly used deep learning architectures in image processing literature, including EfficientNet, ResNet101, ShuffleNet, and VGG, were applied. The performance of the developed deep learning models was evaluated using classification metrics such as precision, recall, and f1 score. The EfficientNet model achieved an accuracy of 96.0650%, recall of 94.3172%, and f1 score of 95.0260%. The ResNet101 model reached an accuracy of 94.6711%, recall of 94.0990%, and f1 score of 94.3761%. The ShuffleNet model obtained an accuracy of 96.4434%, recall of 94.8191%, and f1 score of 95.4599%. The VGG model achieved an accuracy of 92.3511%, recall of 90.5694%, and f1 score of 91.2384%. The performance metrics, including accuracy, recall, and f1 score, for each model were provided. Among the models, the ShuffleNet architecture outperformed the others with an accuracy of 96.4434%, recall of 94.8191%, and f1 score of 95.4599%. These results offer valuable insights into the effectiveness of various CNN architectures for dental implant classification. The performance metrics allow researchers and practitioners to compare and evaluate the models' performance, thereby helping them to choose the most suitable architecture for dental implant classification tasks This research contributes to the ongoing studies on the classification of dental implants using artificial intelligence. The evaluated CNN architectures demonstrated the ability to accurately classify dental implant systems from panoramic radiographs. It is believed that this study will help clinicians and patients avoid unnecessary treatments and medical expenses arising from the lack of knowledge about the implant brand, thus paving the way for future advancements in the field. Ultimately, this research is expected to benefit dental professionals and improve patient care in the domain of dental implants. To extend the results of this study, it is necessary to create a comprehensive database that includes a wide variety of implant systems, including rare implant types.
Benzer Tezler
- Tam gömülü alt yirmi yaş dişlerinin folikül ebatları ile epidermal büyüme faktörü arasındaki ilişkinin araştırılması
Exploration of the relation between impacted inferior third molar teeth follicle dimensions and epidermal growth factor
YEŞİM ERKAN
Doktora
Türkçe
2013
Diş HekimliğiGATAAğız, Diş, Çene Hastalıkları ve Cerrahisi Ana Bilim Dalı
PROF. DR. Necdet DOĞAN
- Dişsizliğin temporomandibular eklem yapısı üzerindeki etkilerinin radyolojik olarak incelenmesi
Radiological investigation of the effects of dentation on temporomandibular joint structure
ZERRİN ÜNAL ERZURUMLU
Doktora
Türkçe
2014
Diş HekimliğiOndokuz Mayıs ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
PROF. DR. PERUZE ÇELENK
- Gazâlî ve Aquino'lu Thomas'a göre Tanrı'nın özgürlüğü
Divine freedom in al-Ghazâlî and Thomas Aquinas
ÖZCAN AKDAĞ
Doktora
Türkçe
2015
DinErciyes ÜniversitesiFelsefe ve Din Bilimleri Ana Bilim Dalı
PROF. DR. RAMAZAN ERTÜRK
- Sistemik hastalıkların çene kemikleri üzerindeki etkilerinin panoramik radyograf ve konik ışınlı bilgisayarlı tomografi kullanılarak değerlendirilmesi
Evaluation of the effects of systemic diseases on jaw bones using panoramic radiography and cone beam computed tomography
ERSEN BİLGİLİ
Doktora
Türkçe
2015
Diş HekimliğiYüzüncü Yıl ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
PROF. DR. CEMİLE ÖZLEM ÜÇOK
- Kentsel yoksulluk yoksul yardımları ve dışlanma (Sivas merkez ilçe örneği)
Urban poverty, poor relief and exclusion (Sivas central district case study)
MEHMET KOCA