Ortodontik cephe fotoğrafları üzerinden derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla üst dental orta hat sapmasının değerlendirilmesi
Evaluation of maxillary dental midline deviation using deep learning–based artificial intelligence algorithms on orthodontic frontal photographs
- Tez No: 976174
- Danışmanlar: PROF. DR. MİNE GEÇGELEN CESUR
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Ortodonti, Dental Orta Hat Sapması, Gülümseme Estetiği, Yapay Zekâ, Derin öğrenme, Makine öğrenmesi, Orthodontics, Dental Midline Deviation, Smile Esthetics, Artificial Intelligence, Deep Learning, Machine Learning
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Aydın Adnan Menderes Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ortodonti Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Ortodontik tanıda üst dental orta hat sapmasının doğru biçimde belirlenmesi, hem fonksiyonel hem de estetik açıdan büyük önem taşımaktadır. Bu çalışmanın amacı, standartize edilmiş frontal gülümseme fotoğraflarında üst dental orta hat sapmasını derin öğrenme tabanlı You Only Look Once versiyon 8 (YOLOv8) algoritması ile otomatik olarak saptamak ve elde edilen referans noktalarının çeşitli makine öğrenmesi yöntemleri aracılığıyla simetrik/asimetrik sınıflandırmadaki başarısını değerlendirmektir. Gereç ve Yöntem: Çalışmada, daimi dişlenme döneminde bulunan 72 üst dental orta hat sapmasına sahip ve 74 üst dental orta hat sapması bulunmayan bireyin cephe gülümseme fotoğrafları incelenmiştir. Fotoğraflar YOLOv8 algoritması kullanılarak glabella, subnasale, filtrum, üst dental orta hat ve pogonion noktalarına göre etiketlenmiş, veri çeşitliliğini artırmak amacıyla farklı veri artırma teknikleri uygulanmıştır. Elde edilen koordinatlar eğitim, doğrulama ve test gruplarına ayrılmış; ardından çeşitli makine öğrenmesi yöntemleri ile sınıflandırma analizi gerçekleştirilmiştir. Modellerin performansları beş katlı çapraz doğrulama ile değerlendirilmiş; doğruluk, kesinlik, duyarlılık, F1 skoru ve eğri altında kalan alan ölçütleri kullanılmıştır. Bulgular: Analizler sonucunda en yüksek sınıflandırma başarısı Naive Bayes yöntemi ile elde edilmiş (doğruluk ≈ %75; eğri altında kalan alan ≈ 0,75), diğer yöntemler ise daha düşük düzeyde performans göstermiştir. Doğrusal ayırtaç analizi ve karar ağacı yöntemleri yaklaşık %45 doğruluk, L1-cezalı lojistik regresyon ise yaklaşık %40 doğruluk sağlamış ve özellikle asimetri sınıfında yetersiz kalmıştır. Bulgular, YOLOv8 algoritmasının üst dental orta hat sapmalarını yüksek doğrulukla tespit edebildiğini ve makine öğrenmesi yöntemleriyle birlikte kullanıldığında güvenilir sınıflandırma sonuçları verdiğini göstermektedir. Sonuç: Çalışma, yapay zekâ tabanlı yaklaşımların ortodontide klinik tanıya entegre edilebilecek güçlü bir potansiyele sahip olduğunu ortaya koymaktadır. YOLOv8 algoritmasının otomatik referans noktası belirlemedeki başarısı ve Naive Bayes yönteminin sınıflandırmadaki üstün performansı, dental estetik analizlerinde güvenilir ve tekrarlanabilir bir yöntem sunmaktadır. Bu yaklaşımın klinik uygulamalarda gözlemciye bağlı farklılıkları azaltarak tanısal doğruluğu artırabileceği ve zaman etkinliği sağlayabileceği sonucuna varılmıştır.
Özet (Çeviri)
Objective: Accurate determination of maxillary dental midline deviation in orthodontic diagnosis is of great importance both functionally and aesthetically. The objective of this study was to automatically detect maxillary dental midline deviation on standardized frontal smile photographs using the deep learning-based You Only Look Once version 8 (YOLOv8) algorithm and to evaluate the performance of the obtained reference points in symmetric/asymmetric classification through various machine learning methods. Materials and Methods: In this study, frontal smile photographs of 72 individuals with maxillary dental midline deviation and 74 individuals without maxillary dental midline deviation in the permanent dentition period were examined. The photographs were annotated with the YOLOv8 algorithm according to the points glabella, subnasale, philtrum, maxillary dental midline, pogonion, and different data augmentation techniques were applied to increase data diversity. The obtained coordinates were divided into training, validation, and test groups; subsequently, classification analysis was performed using various machine learning methods. The performances of the models were evaluated by five-fold cross-validation, accuracy, precision, recall, F1 score, and area under the curve were used as performance measures. Results: As a result of the analyses, the highest classification performance was achieved with the Naive Bayes method (accuracy ≈ 75%; area under the curve ≈ 0.75), while other methods showed lower levels of performance. Linear discriminant analysis and decision tree methods achieved approximately 45% accuracy, while L1-penalized logistic regression achieved approximately 40% accuracy and was particularly insufficient in the asymmetry class. The findings demonstrated that the YOLOv8 algorithm can detect maxillary dental midline deviations with high accuracy and that, when used together with machine learning methods, it provides reliable classification results. Conclusion: This study revealed that artificial intelligence-based approaches have strong potential to be integrated into clinical diagnosis in orthodontics. The success of the YOLOv8 algorithm in automatic reference point detection and the superior performance of the Naive Bayes method in classification present a reliable and reproducible method for dental esthetic analysis. It was concluded that this approach may increase diagnostic accuracy and provide time efficiency by reducing observer-dependent variability in clinical practice.
Benzer Tezler
- Ortodontik fotoğraflar üzerinden derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla mandibular asimetrinin değerlendirilmesi
Evaluation of mandibular asymmetry using artificial intelligence algorithms developed with deep learning on orthodontic photographs
RABİA TÜRK KARTAL
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiEskişehir Osmangazi ÜniversitesiOrtodonti Ana Bilim Dalı
DOÇ. DR. MERVE GONCA
- Ortodontik fotoğraflar üzerinden derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla gülümseme estetiğinin değerlendirilmesi
Evaluation of smile aesthetics with artificial intelligence algorithms developed with deep learning method over orthodontic photographs
ZEKİ ARSLAN
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiEskişehir Osmangazi ÜniversitesiOrtodonti Ana Bilim Dalı
DOÇ. DR. MEHMET UĞURLU
- Derin öğrenme teknikleriyle dinlenme halinde yüz cephe fotoğraflarında nokta tespiti algoritmasının geliştirilmesi
Development of a landmark detection algorithm in resting state frontal face images using deep learning techniques
AHMET AVCIOĞLU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiMatematik ve Bilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. ZEKERİYA ARVASİ
- Türkiye'deki ortodontik tedavi ücretlerinin değerlendirilmesi
Cost evaluation of orthodontic treatment in Turkey
SERHAT MERTOĞLU
Doktora
Türkçe
2013
Diş HekimliğiCumhuriyet ÜniversitesiOrtodonti Ana Bilim Dalı
PROF. DR. ALİ ALTUĞ BIÇAKÇI
- Sınıf 2 aktivatör ve yüz maskesi uygulaması sonrası tedavi başarısı algısının değerlendirilmesi
Evaluation of the perception of treatment success after class 2 activator and face mask application
HELİN DURSUN
Doktora
Türkçe
2023
Diş HekimliğiVan Yüzüncü Yıl ÜniversitesiOrtodonti Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAADET ÇINARSOY CİĞERİM