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
- Dental implant sistemlerinin tanımlanmasında yapay zeka ve insan gözlemci performansları: Derin öğrenme algoritmalarının etkisi
Performance of artificial intelligence and human observers in the identification of dental implant systems: The effect of deep learning algorithms
OĞUZ ALP KÖSE
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiAydın Adnan Menderes ÜniversitesiProtetik Diş Tedavisi Ana Bilim Dalı
PROF. MUSA ŞAMİL AKYIL
- Dental implantların marka ve model tanımlamasında yapay zeka sistemleri etkinliğinin değerlendirilmesi
Evaluation of artificial intelligence systems in brand and model identification of dental implants
TARIK ALİ UĞUR
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiAkdeniz ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DOÇ. DR. SELMİ YARDIMCI
- Dental implant uygulamalarında farklı frezleme sistemlerinin implant çevresi kemik dokusunun trabeküler yapısına etkilerinin değerlendirilmesi
Evaluation of the effects of different drilling systems on the trabecular structure of the peri implant bone tissue in dental implant applications
ZEHRA BETÜL ERÇELİK
Diş Hekimliği Uzmanlık
Türkçe
2022
Diş HekimliğiErciyes ÜniversitesiPeriodontoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İNCİ DEVRİM
- Peri-implantitisin çevresel alveolar kemiğe etkisinin fraktal analiz yöntemi ile değerlendirilmesi
Evaluation of the effect of peri-implantitis on the peripheral alveolar bone using the fractal analysis method
ABDULKADİR KEMAL BİNİCİ
Doktora
Türkçe
2024
Diş HekimliğiGazi ÜniversitesiPeriodontoloji Ana Bilim Dalı
PROF. DR. FİTNAT DENİZ ÇETİNER
- Ektodermal displazili çocuklarda mandibular indeksler ve fraktal boyut analizi kullanılarak dental panoramik radyografi üzerinden kemik yapısının değerlendirilmesi
Evaluation of bone structure on dental panoramic radiography using mandibular indexes and fractal dimension analysis in children with ectodermal dysplasia
MÜZEYYEN DİLŞAH DEMİRAY
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiNecmettin Erbakan ÜniversitesiPedodonti Ana Bilim Dalı
DOÇ. DR. HALENUR ALTAN
PROF. DR. İZZET YAVUZ