Derin öğrenme yöntemine dayalı yapay zeka algoritmalarıyla konik ışınlı bilgisayarlı tomografi görüntülerinde dişlerin tespit edilmesi ve numaralandırılması

HANDE SAĞLAM

Derin öğrenme yöntemine dayalı yapay zeka algoritmalarıyla konik ışınlı bilgisayarlı tomografi görüntülerinde dişlerin tespit edilmesi ve numaralandırılması

Tezin Türü: Diş Hekimliğinde Uzmanlık

Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, DİŞ HEKİMLİĞİ FAKÜLTESİ, KLİNİK BİLİMLER BÖLÜMÜ, Türkiye

Tezin Onay Tarihi: 2021

Tezin Dili: Türkçe

Öğrenci: HANDE SAĞLAM

Danışman: İbrahim Şevki Bayrakdar

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Son yıllarda yaşam kalitemiz üzerinde önemli değişikliklere sebep olan gelişmelerden biri AI'dır. Özellikle radyoloji alanında birçok gelişmeye katkısı olan AI, diş hekimliğinde de popülerlik kazanmaya başlamıştır. Bu çalışmada, DCNN kullanarak KIBT görüntülerinde dişleri tespit edip, numaralandırmak için otomatik bir yöntem geliştirmeyi amaçladık. Materyal ve Metot: Veri seti 103 adet KIBT DICOM görüntüsünden oluşan çalışmamızda, transfer öğrenme teknikleriyle uyguladığımız Inception ResNet v2, Inception v2 ve ResNet-101 mimarilerinin diş tespit ve numaralandırmadaki başarıları karşılaştırılmıştır. Görüntüler üzerinde dişlerin etiketlenmesi CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanılarak yapılmıştır. Karmaşıklık matris yöntemi kullanılarak her bir modele ait başarı metrikleri hesaplanmıştır. Bulgular: Diş tespit ve numaralandırma için; Inception v2 mimarisi için duyarlılık, kesinlik ve F1 skoru değerleri sırasıyla 0.9440, 0.9325 ve 0.9382 şeklindedir. Inception ResNet v2 mimarisi için duyarlılık, kesinlik ve F1 skoru değerleri sırasıyla 0.9438, 0.9567 ve 0.9502 şeklindedir. ResNet-101 mimarisi için duyarlılık, kesinlik ve F1 skoru değerleri sırasıyla 0.9450, 0.9380 ve 0.9415 şeklindedir. Inception v2, Inception ResNet v2 ve ResNet-101 için AUC değerleri ise sırasıyla; 0.9389, 0.9485 ve 0.9493 olarak elde edilmiştir. En yüksek AUC değerine sahip mimari ResNet-101 olmuştur. Sonuç: Çalışmamız ilerleyen zamanlarda yapılacak olan derin öğrenme tabanlı KIBT raporlama sistemlerinin gelişimi açısından çok önemlidir. Bu sistemlerin klinik rutininde hekimlere zaman kazandırarak bir karar destek mekanizması rolü göreceğini düşünmekteyiz.