Derin öğrenme tabanlı tam otomatik sefalometrik iskeletsel sınıflandırma
Deep learning based fully automated cephalometric skeletal classification
- Tez No: 975942
- Danışmanlar: DOÇ. DR. HATİCE KÖK
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Derin Öğrenme, İskeletsel Sınıflandırma, Tam Otomatik Sefalometrik Analiz, Yapay Zekâ, Artificial Intelligence, Deep Learning, Fully Automatic Cephalometric Analysis, Skeletal Classification
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ortodonti Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çalışmamızın amacı, lateral sefalometrik radyograflardan doğrudan sagittal ve vertikal iskeletsel paternleri sınıflandıran derin evrişimli sinir ağı modeli geliştirmek ve modelin performansını piyasadaki tam otomatik referans-nokta tabanlı yazılım (WebCeph) ile karşılaştırmaktır. Veri seti, 2019–2025 arasında arşivlenen 1500 sefalometrik radyograftan oluşturulmuştur. Sagittal yönde (3 sınıf) ve vertikal yönde (3 sınıf) toplam 6 sınıf, herbir sınıfta 500 radyograf olacak şekilde dengeli sınıf etiketlemesi, hekim denetiminde QuickCeph ölçümleriyle yapılmıştır. Sagittal sınıflandırma için ANB (SI: 0–4°, SII: >4°, SIII: <0°); vertikal sınıflandırma SN-GoGn esas alınmış (Normal: 26–38°; Horizontal: <26°, Vertikal: >38°) ve FMA ile Y-aksı destekleyici ölçüt olarak kullanılmıştır. Derin öğrenme modelinin eğitilmesi iki aşamada yürütülmüş; ilk aşamada ön işlemler uygulanmış, ikinci aşamada ise evrişimli sinir ağı yardımıyla özellik çıkarımı ve sınıflandırma yapılmıştır. Karşılaştırma için aynı veri seti referans-nokta tabanlı tam otomatik yazılım olan WebCeph ile de analiz edilmiştir. WebCeph'in performansı, uzman denetimli QuickCeph sonuçlarına göre değerlendirilmiştir. Derin öğrenme modeli sagittal sınıflandırmada %87; vertikal sınıflandırmada ise %81 doğruluk elde etmiştir. Buna karşın; aynı veri üzerinde WebCeph'in genel doğruluğu sagittal sınıflandırmada %76,32, vertikalde ise %68,2 seviyesinde kalmıştır. Çalışmamızda geliştirilen Derin öğrenme modeli WebCeph'e kıyasla daha yüksek performans göstermiştir. WebCeph ile QuickCeph arasında açısal ölçüm düzeyinde ise genel olarak yüksek uyum gözlenmekle birlikte FMA için görece düşük uyum gözlenmiştir. Sonuç olarak, lateral sefalometrik radyograflardan doğrudan sınıflandırma yapan derin öğrenme yaklaşımı, referans-nokta tabanlı tam otomatik yönteme kıyasla özellikle sagittal yönde daha yüksek doğruluk sağlayabilmektedir. Bu bulgu, anatomik referans noktası işaretleme aşamasındaki küçük hataların birikimini ortadan kaldıran uçtan-uca öğrenmenin klinik yararını işaret etmektedir. Buna karşın, ayrıntılı tedavi planlaması ve uzun dönem takip için sefalometrik nokta analizinin önemi sürmektedir. Geliştirilen yöntemin genellenebilirliğini artırmak amacıyla farklı merkez/cihazlardan daha geniş, çok merkezli ve bağımsız doğrulamalı çalışmalar önerilmektedir.
Özet (Çeviri)
We aimed to develop a deep convolutional neural network model capable of directly classifying sagittal and vertical skeletal patterns from lateral cephalometric radiographs and to compare its performance with that of a commercially available fully automated landmark-based software (WebCeph). The dataset was created from 1500 cephalometric radiographs archived between 2019 and 2025. Balanced class labeling was performed using QuickCeph measurements under physician supervision, with a total of 6 classes in 3 sagittal classes and 3 classes vertical, 500 radiographs in each class. Sagittal classification was based on ANB (SI: 0–4°, SII: >4°, SIII: <0°); vertical classification was based on SN-GoGn (Normal: 26–38°; Horizontal: <26°, Vertical: >38°), moreover FMA and Y-axis were used as supporting criteria. The training of the deep learning model was conducted in two stages: in the first stage, preprocessing was applied, and in the second stage, feature extraction and classification were performed using a convolutional neural network. For comparison, the same dataset was also analyzed with WebCeph, a fully automated, landmark-based software. WebCeph's performance was evaluated against the expert-supervised QuickCeph results. The deep learning model achieved 87% accuracy in sagittal classification and 81% accuracy in vertical classification. However, on the same data, WebCeph's accuracy remained at 76.32% in sagittal classification and 68.2% in vertical classification. The deep learning model developed in our study showed higher performance compared to WebCeph. While overall high agreement was observed between WebCeph and QuickCeph in angular measurements, relatively low agreement was observed for FMA. In conclusion, a deep learning approach directly classifying lateral cephalometric radiographs can achieve higher accuracy, particularly in the sagittal direction, compared to a fully automated landmark-based method. This finding highlights the clinical benefit of end-to-end learning, which eliminates cumulative errors arising from landmark identification phase. However, cephalometric landmark analysis remains crucial for detailed treatment planning and long-term follow-up. To enhance the generalizability of the proposed approach, larger, multicenter, and independently validated studies from different centers/devices are recommended.
Benzer Tezler
- Lateral sefalometrik analizlerde derin öğrenme tabanlı yapay zeka modellerinin ve manuel yöntemlerin performanslarının karşılaştırılması
Comparison of the performance of deep learning-based artificial intelligence models and manual methods in lateral cephalometric analyses
KERİMCAN AKTAŞ
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiEskişehir Osmangazi ÜniversitesiOrtodonti Ana Bilim Dalı
DOÇ. DR. MEHMET UĞURLU
- Derin öğrenme yöntemi kullanılarak postero-anterior sefalometrik radyografilerde yüz asimetrisinin değerlendirilmesi
Evaluation of facial asymmetry in postero-anterior cephalometric radiographs using deep learning method
AYLİN ZEHRA GÖRDES
Diş Hekimliği Uzmanlık
Türkçe
2026
Diş HekimliğiOrdu ÜniversitesiOrtodonti Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMED TAHA ALPAYDIN
- Tam otomatik ve metasezgisel tabanlı yeni bir derin öğrenme mimarisi üretecinin geliştirilmesi ve cilt kanseri teşhisi için etkinliğinin gösterilmesi
Development of a novel, fully automatic and metaheuristic-based deep learning architecture generator and demonstration of its effectiveness through skin cancer diagnosis
MUSTAFA FURKAN KESKENLER
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DENİZ DAL
- Fully automated deep learning and machine learning –based prognosis models for survival prediction of brain tumor patients using multi-modal mri images
Multimodal mrı görüntüleri kullanarak beyin tümörü hastalarının hayatta kalma tahmini için tam otomatik derin öğrenme ve makine öğrenme tabanlı prognoz modelleri
ABDELA AHMED MOSSA
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
- 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