Gömülü mandibular üçüncü molar dişlerin sınıflandırmalarının panoramik radyografiler üzerinden yapay zeka kullanılarak değerlendirilmesi
Evaluation of mandibular impacted third molar teeth using panoramic radiographs with artificial intelligence
- Tez No: 993928
- Danışmanlar: DR. ÖĞR. ÜYESİ İRFAN SARICA
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Bezm-İ Alem Vakıf Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay zekâ teknolojileri gün geçtikçe hayatımızın her alanında yer almaktadır. Bu konuda, diş hekimliği ve ağız, diş, çene radyolojisi alanlarında hızla yeni gelişmeler yaşanmaktadır. Tez çalışmamızda, gömüklüğü en sık görülen diş olan mandibular üçüncü molar dişlerin Pell&Gregory ve Winter sınıflamalarına göre, yapay zekâ ve derin öğrenmeye dayalı bir modelle otomatik olarak sınıflandırılabilmeleri amaçlandı. Görüntüler üzerinde dişlerin etiketlenmesi CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanılarak yapıldı. Pozisyon özelliklerinin değerlendirilmesi, gömülü diş tespiti ve numaralandırma için ayrı ayrı modeller geliştirildi. Pozisyon özelliklerinin değerlendirilmesi için; 3098 adet panoramik görüntü üzerinden etiketlemeleri yapılan 38 ve 48 numaralı dişlere ait verilerden, Pell&Gregory sınıflaması için 6, Winter sınıflaması için ise 4 adet olacak şekilde toplamda 10 adet veri seti sınıfı oluşturuldu. Gömülü diş tespit ve numaralandırma çalışmaları için ise mevcut tüm etiketli veriler kullanıldı. Bu görevler için geliştirilen Inception v3 ve Mask R CNN modellerinin başarıları, karmaşıklık matrisi kullanılarak hesaplandı. Inception v3 modelinin Pell&Gregory sınıflamasında duyarlılık, kesinlik ve F1 skoru değerleri Sınıf I için sırasıyla; 0.7, 0.3684, 0.4827, Sınıf II için; 0.7474, 0.9367, 0.8314, Sınıf III için; 0.875, 0.6, 0.7118, Pozisyon A için; 0.8604, 0.7254, 0.7872, Pozisyon B için; 0.6267, 0.8245, 0.7121, Pozisyon C için; 0.7142, 0.4167, 0.5263 olarak bulundu. Yine Inception v3 modelinin Winter sınıflamasında duyarlılık, kesinlik ve F1 skoru değerleri Vertikal pozisyon için sırasıyla; 0.8333, 1, 0.9090, Horizontal pozisyon için; 0.7778, 0.7778, 0.7778, Mesioangular pozisyon için; 0.778, 0.7368, 0.7567, Distoangular pozisyon için; 0.944, 0.85, 0.8947 olarak bulundu. Mask R CNN modelinin duyarlılık, kesinlik ve F1 skoru değerleri gömülü diş tespitinde sırasıyla; 0.9443, 0.9974, 0.9701, gömülü diş numaralandırmada; 0.9381, 1, 0.9680 olarak bulundu. Çalışmamızın sonuçlarına göre geliştirilen derin öğrenme modellerinin; gömülü mandibular üçüncü molar dişleri pozisyonlarına göre sınıflandırma, gömülü diş tespiti ve numaralandırmadaki başarısı umut vadetmektedir. Zaman içerisinde yapılacak çalışmalarla birlikte, derin öğrenmeye dayalı yapay zekâ uygulamaları klinik pratiğinde yer alabilir ve hekimlere destek olabilir.
Özet (Çeviri)
Artificial intelligence technologies have started to play significant roles in our lives with an increasing impact within the last few years. In this regard, new developments are also experienced rapidly in the fields of dentistry and maxillofacial radiology. In our thesis, it was aimed to automatically classify the mandibular third molar teeth, which is the most frequently impacted tooth, according to the Pell&Gregory and Winter classifications, with a model based on artificial intelligence and deep learning. Labeling of teeth on images was done using CranioCatch labeling software (CranioCatch, Eskişehir, Turkey). Separate models were developed for the assessment of position characteristics, impacted tooth detection and numbering. To evaluate the position characteristics; A total of 10 data set classes were created, 6 for the Pell & Gregory classification and 4 for the Winter classification, from the data of teeth 38 and 48, which were labeled on 3098 panoramic images. All available labeled data were used for impacted tooth detection and numbering studies. The achievements of the Inception v3 and Mask R CNN models developed for these tasks were calculated using the confusion matrix. In the Pell & Gregory classification of the Inception v3 model, the sensitivity, precision and F1 score values for Class I, consecutively; 0.7, 0.3684, 0.4827 for Class II; 0.7474, 0.9367, 0.8314 for Class III; 0.875, 0.6, 0.7118 for Position A; 0.8604, 0.7254, 0.7872 for Position B; 0.6267, 0.8245, 0.7121 for Position C; 0.7142, 0.4167, 0.5263 was found. Similarly, in the Winter classification of the Inception v3 model, the sensitivity, precision and F1 score values for the Vertical position are consecutively; 0.8333, 1, 0.9090, for Horizontal position; 0.7778, 0.7778, 0.7778 for Mesioangular position; 0.778, 0.7368, 0.7567 for Distoangular position; 0.944, 0.85, 0.8947 was found. The sensitivity, precision and F1 score values of the Mask R CNN model are consecutively; 0.9443, 0.9974, 0.9701 in impacted tooth numbering 0.9381, 1, 0.9680 was found. Deep learning models have been developed based on the results of our study; their performances in classifying impacted mandibular third molars according to their positions, identifying and numbering impacted teeth seem promising. Thanks to increasing number of the studies in this field, artificial intelligence applications based on deep learning can play a role in clinical practice and support physicians.
Benzer Tezler
- Mandibular üçüncü molarların çekim zorluğunun açıklanabilir derin öğrenme teknikleri ile tahmini
Prediction of the extraction difficulty of mandibular third molars using explainable deep learning techniques
İSMAİL KAYADİBİ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. UTKU KÖSE
DOÇ. DR. GÜR EMRE GÜRAKSIN
- Gömülü mandibular üçüncü molar dişlerin çekiminden sonra uygulanan hyaluronik asit'in tükürük ve doku parametreleri üzerine etkilerinin incelenmesi
Efficiency of hyaluronic acid on salivary and tissue parameters following impacted third molar extraction
GÖKHAN GÖÇMEN
Doktora
Türkçe
2015
Diş HekimliğiMarmara ÜniversitesiAğız, Diş ve Çene Cerrahisi Ana Bilim Dalı
PROF. DR. MEHMET KAMİL GÖKER
- Gömülü mandibular üçüncü molar dişlerin cerrahi çekiminde piezoelektrik cerrahi ile konvansiyonel döner enstrüman kullanımının komşu ikinci molar diş pulpal kan akımı üzerine etkilerinin lazer doppler flowmetre yöntemi ile karşılaştırılması
Comparison of the mandibular second molar pulpal blood flow changes by laser doppler flowmetry after mandibular third molar surgery using piezoelectric devices and conventional rotary instruments
MURAT CANBOLAT
Diş Hekimliği Uzmanlık
Türkçe
2019
Diş HekimliğiBolu Abant İzzet Baysal ÜniversitesiAğız, Diş ve Çene Cerrahisi Ana Bilim Dalı
DOÇ. DR. ORÇUN TOPTAŞ
- Gömülü mandibular üçüncü molar dişlerin çekiminde uygulanan % 4 artikain ve % 0,5 bupivakainin intraoperatif ve postoperatif dönemde etkilerinin değerlendirilmesi
Evaluation of the intraoperative and postoperative effects of 4% articaine and 0,5 % bupivacaine in impacted third molar tooth surgery
BERKAY TOKUÇ
Diş Hekimliği Uzmanlık
Türkçe
2019
Diş HekimliğiKocaeli ÜniversitesiAğız, Diş ve Çene Cerrahisi Ana Bilim Dalı
DOÇ. DR. FATİH MEHMET COŞKUNSES
- Gömülü mandibular üçüncü molar dişlerin pozisyon özelliklerinin yapay zeka ile değerlendirilmesi
Evaluation of the position characteristics of impacted mandibular third molars with artificial intelligence
EZGİ TÜRK
Diş Hekimliği Uzmanlık
Türkçe
2021
Diş HekimliğiSüleyman Demirel ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZLEM GÖRMEZ