Derin öğrenme teknikleri ile konik ışınlı tomografi görüntülerinden anatomik yapıların tespiti
Detection of anatomical structures from cone beam computed tomography images using deep learning techniques
- Tez No: 976361
- Danışmanlar: DR. ÖĞR. ÜYESİ PINAR ÖZEN KAVAS
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Yazılımı Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, konik ışınlı bilgisayarlı tomografi (CBCT) verileri kullanılarak, yapay zekâ ve derin öğrenme teknikleri yardımıyla otomatik anatomik segmentasyon sistemleri geliştirilmiştir. Medikal görüntü verileri, yaygın olarak kullanılan DICOM formatında elde edilmiş ve analizlerin daha verimli yürütülebilmesi amacıyla NIfTI formatına dönüştürülerek işlenmiştir. Araştırmada, tıbbi görüntü segmentasyonu için literatürde yaygın biçimde kullanılan nnU-Net mimarisi tercih edilmiş ve mandibula, maksilla, maksiller sinüs, mandibular kanal ve diş yapıları gibi çeşitli anatomik bölgelerin segmentasyonu gerçekleştirilmiştir. Segmentasyon işlemlerinin doğruluğu, Dice Benzerlik Katsayısı, Jaccard İndeksi, Precision, Recall ve Hausdorff Mesafesi gibi çeşitli ölçütlerle değerlendirilmiştir. Elde edilen sonuçlara göre, özellikle mandibula ve maksiller sinüs gibi büyük ve sınırları belirgin anatomik yapılar yüksek başarı oranlarıyla segment edilmiştir. Buna karşılık, mandibular kanal gibi küçük ve düşük kontrastlı yapılar için modelin performansı sınırlı kalmıştır. Bu durum, ilgili yapıların görüntü özelliklerinden ve etiketleme sürecinin zorluklarından kaynaklanmaktadır. nnU-Net modeli, kullanıcıdan bağımsız bir şekilde kendini veri kümesine göre optimize edebilme yeteneği sayesinde segmentasyon görevlerinde yüksek düzeyde doğruluk ve genellenebilirlik sunmuştur. Etiketleme işlemleri, uzman ortodontistlerin katkısıyla titizlikle gerçekleştirilmiş ve segmentasyon çıktıları, üç boyutlu görselleştirme araçları kullanılarak hem nicel hem de nitel değerlendirmelere tabi tutulmuştur. Çalışmanın bulguları, derin öğrenme tabanlı segmentasyon sistemlerinin CBCT görüntüler üzerinde etkili ve güvenilir sonuçlar üretebildiğini göstermektedir. Bu kapsamda geliştirilen yaklaşımın hem akademik araştırmalarda hem de klinik uygulamalarda kullanılabilir bir yapay zekâ çözümü sunduğu değerlendirilmektedir.
Özet (Çeviri)
In this thesis study, automatic anatomical segmentation systems were developed using artificial intelligence and deep learning techniques on Cone Beam Computed Tomography (CBCT) data. Medical imaging data were initially obtained in the commonly used DICOM format and then converted into the NIfTI format for more efficient processing and analysis. The nnU-Net architecture, widely recognized in the field of medical image segmentation, was adopted for this research, and segmentation was performed for various anatomical structures such as the mandible, maxilla, maxillary sinus, mandibular canal, and teeth. The accuracy of the segmentation tasks was evaluated using several performance metrics including Dice Similarity Coefficient, Jaccard Index, Precision, Recall, and Hausdorff Distance. The results demonstrated high segmentation performance particularly for large and well-defined anatomical structures such as the mandible and maxillary sinus. In contrast, the segmentation performance for smaller and less distinct structures like the mandibular canal was relatively limited, which is attributed to imaging characteristics and the challenges inherent in annotation. The nnU-Net model provided high accuracy and generalizability in segmentation tasks, thanks to its ability to automatically adapt to different datasets with minimal user intervention. Annotation processes were carried out meticulously with the support of experienced orthodontists, and the segmentation outputs were evaluated both quantitatively and qualitatively using three-dimensional visualization tools. The findings of this study indicate that deep learning-based segmentation systems can produce effective and reliable results on CBCT images. The proposed approach is considered to offer a viable artificial intelligence solution for both academic research and clinical applications.
Benzer Tezler
- 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
- Data and model based performance improvement in transfer learning by using generative adversarial networks and model fusion techniques
Çekişmeli üretici ağlar ve model tümleştirme teknikleri kullanarak aktarımlı öğretimde veri ve model tabanlı performans iyileştirme
TUĞÇE TOPRAK
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiDokuz Eylül ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ALPER SELVER
- Derin öğrenme yöntemine dayalı yapay zeka algoritmalarıyla konik ışınlı bilgisayarlı tomografi görüntülerinde dişlerin tespit edilmesi ve numaralandırılması
Detection and numbering of teeth in CONE-BEAM computed tomography images with artificial intelligence algorithms based on deep learning method
HANDE SAĞLAM
Diş Hekimliği Uzmanlık
Türkçe
2021
Diş HekimliğiEskişehir Osmangazi ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DOÇ. DR. İBRAHİM ŞEVKİ BAYRAKDAR
- Osteometal kompleks blokajı, konka bülloza ve nazal septum deviasyonunun derin öğrenme ile otomatik tespiti
Automatic detection of osteomeatal complex blockage, concha bullosa and nasal septum deviation with deep learning
MEDİHA ERTÜRK
Diş Hekimliği Uzmanlık
Türkçe
2026
Diş HekimliğiNecmettin Erbakan ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
PROF. DR. MELEK TAŞSÖKER BULUT
- Derin öğrenme yöntemleri kullanılarak osteoporozun belirlenmesi
Determination of osteoporosis using deep learning methods
MOHAMAD MELAD ALI ASHAMES
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN