El bilek radyografileri aracılığıyla maturasyon dönemi tespitinde yapay zeka algoritmalarının başarısının değerlendirilmesi

Basit Öğe Kaydı
dc.contributor.advisorÖzden,? Samet
dc.contributor.authorTentaş, Serhat
dc.date.accessioned2025-01-18T18:54:55Z
dc.date.available2025-01-18T18:54:55Z
dc.date.issued2024
dc.departmentEnstitüler, Diş Hekimliği Fakültesi, Ortodonti Ana Bilim Dalı
dc.descriptionDiş Hekimliği Fakültesi, Ortodonti Ana Bilim Dalı
dc.description.abstractAmaç: Çalıs?mamızın amacı, el-bilek radyografilerini kullanarak YZ tabanlı uygulamalar ile iskeletsel olgunluğun doğru ve tutarlı bir biçimde tespit edilmesi ve buna paralel olarak hatalı tes?his ve tedavilerin o?nlenmesidir. Bu sebeple, retrospektif olarak hasta ars?ivinden elde edilen el-bilek radyografilerinden maturasyon do?nemleri, yas? ve cinsiyet tespitinde YZ algoritmalarının bas?arısı değerlendirilecektir. Materyal Metot: Çalıs?manın materyali, ortodontik tedavi için bas?vurmus? olan sistemik olarak sağlıklı Tu?rk bireylerden alınan 6572 adet el-bilek radyografisi olus?turmaktadır. Bes? farklı maturasyon yo?ntemine go?re sınıflandırılan materyal, ek olarak cinsiyet ve yas? için de sınıflandırılmıs?tır. Daha sonra go?ru?ntu?ler u?zerinde etiketlemeler CranioCatch etiketleme yazılımı (CranioCatch, Eskis?ehir, Tu?rkiye) kullanılarak yapılmıs?tır. Veri setleri rastgele olarak eğitim, doğrulama ve test setlerine ayrılmıs?tır. PyTorch ku?tu?phanesi kullanılarak eğitilen YOLOv8 derin o?ğrenme mimarisinin, bu?yu?me-gelis?im do?nemlerinin tespitinde test veri setleri ile bas?arısı değerlendirilmis?tir. Bulgular: Çalıs?mada kullanılan derin o?ğrenme modeli ile Grup I için doğruluk 0.860 ve F1 skor 0.850, Grup II için doğruluk 0.920 ve F1 skor 0.960, Grup III için doğruluk 0.878 ve F1 skor 0.935, Grup IV için 0.981 ve F1 skor 0.990, Grup V için doğruluk ve F1 skor 0.920, Grup VI için doğruluk ve F1 skor 0.980, Grup VII için doğruluk 0.580 ve F1 skor 0.570 olarak bulunmus?tur. En yu?ksek F1 skoru ise 0.990 olarak Grup IV için elde edilmis?tir. En du?s?u?k F1 skoru Grup VII için 0.570 olarak bulunmus?tur. Veri setlerinin dengeli dağılım go?stermesi sonucunda, genel olarak AUC değerlerinin 1'e yakın bulunması derin o?ğrenme modelinin performansının bas?arılı kabul edilmesini sağlamıs?tır. Ayrıca bu değerler farklı sınıfları ayırt etmede derin o?ğrenme algoritmasının tahminlerinin isabetli olduğunu go?stermektedir. Sonuç: Bu?yu?me-gelis?im do?nemlerinin derin o?ğrenme modeli ile bas?arılı bir s?ekilde tespit edilmesi, klinikte hekimlere yardımcı olarak is? yu?ku?nu? hafifletmesi mu?mku?n olacaktır. Tes?his ve tedavi kararlarında yapay zekanın, bas?langıçta yardımcı rolde olması o?ngo?ru?lmektedir. YZ tabanlı uygulamaların klinik is?leyis?e entegre edilmesi go?zlemci içi ve go?zlemciler arası uyumsuzlukları en az indirecek ve yanlıs? tes?his ve tedavilerin bu?yu?k oranda o?nu?ne geçebilecektir. Anahtar Kelimeler: Yapay zeka, iskeletsel maturasyon, el-bilek radyografisi, derin o?ğrenme
dc.description.abstractAim: The aim of our study is to accurately and consistently determine skeletal maturity using AI-based applications with hand-wrist radiographs and, in parallel, to prevent misdiagnosis and mistreatment. For this purpose, the performance of AI algorithms in determining maturation stages, age, and gender from hand-wrist radiographs retrospectively obtained from patient archives will be evaluated. Material and Methods: The material of the study consists of 6572 hand-wrist radiographs obtained from systemically healthy Turkish individuals who presented for orthodontic treatment. The material was classified based on five different maturation methods and additionally categorized by age and gender. Subsequently, the images were annotated using the CranioCatch labeling software (CranioCatch, Eskis?ehir, Turkey). The datasets were randomly divided into training, validation, and test sets. The performance of the YOLOv8 deep learning architecture, trained using the PyTorch library, was assessed on test datasets for the detection of growth and developmental stages. Results: Using the deep learning model in this study, the accuracy and F1 scores were as follows: for Group I, accuracy was 0.860 and F1 score was 0.850; for Group II, accuracy was 0.920 and F1 score was 0.960; for Group III, accuracy was 0.878 and F1 score was 0.935; for Group IV, accuracy was 0.981 and F1 score was 0.990; for Group V, both accuracy and F1 score were 0.920; for Group VI, both accuracy and F1 score were 0.980; and for Group VII, accuracy was 0.580 and F1 score was 0.570. The highest F1 score, 0.990, was achieved for Group IV, while the lowest F1 score, 0.570, was observed for Group VII. The balanced distribution of the datasets resulted in AUC values close to 1, demonstrating the successful performance of the deep learning model. Furthermore, these values indicate the model's high accuracy in distinguishing between different classes. Conclusion: The successful identification of growth and developmental stages using a deep learning model has the potential to assist clinicians in reducing workload. It is anticipated that AI will initially play an auxiliary role in diagnostic and treatment decision-making. Integrating AI-based applications into clinical workflows will minimize intra- and inter-observer discrepancies and significantly reduce misdiagnoses and mistreatments. Keyword: Artificial intelligence, deep learning, hand-wrist radiographs, Skeletal maturation
dc.identifier.endpage149
dc.identifier.startpage1
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=E_eEUHQic_C-LvhxNQn1W9M3OhZJhVit3iJr2yBg7U5BSiweIcGdl-LH-BL5A8M3
dc.identifier.urihttps://hdl.handle.net/11616/105955
dc.identifier.yoktezid911284
dc.language.isotr
dc.publisherİnönü Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_20250118
dc.subjectDiş Hekimliği
dc.subjectDentistry
dc.titleEl bilek radyografileri aracılığıyla maturasyon dönemi tespitinde yapay zeka algoritmalarının başarısının değerlendirilmesi
dc.title.alternativeEvaluating the success of artificial intelligence algorithms in determining the maturation period through hand-wrist radiographs
dc.typeSpecialist Thesis

Dosyalar

Koleksiyon

Diş Hekimliği Fakültesi Tez Koleksiyonu