Maksillofasial bölgede radyoopak ve radyolusent görüntü veren lezyonlarda yapay zeka modellerinin etkinliğinin panoramik radyografiler üzerinde değerlendirilmesi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Sağlık Bilimleri Enstitüsü, Ağız Diş ve Çene Radyolojisi Anabilim Dalı Başkanlığı, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: ZEYNEP TURANLI TOSUN
Danışman: Muhammed Akif Sümbüllü
Özet:Maksillofasial Bölgede Radyoopak ve Radyolusent Görüntü Veren Lezyonlarda Yapay Zeka Modellerinin Etkinliğinin Panoramik Radyografiler Üzerinde Değerlendirilmesi Amaç: Yapay zeka (YZ) temelde insan zekasını taklit eden ve veriler aracılığıyla nesneleri algılama, tanımlama, problem belirleme ve çözme gibi insan davranışlarını kopyalayan, insanlara özgü yetenekleri makinalar aracılığıyla yerine getiren sistemlerdir. Diş hekimliğinde yetersiz tecrübe, hatalı panoramik görüntüler, anatomik süperpozisyonlar ve yanlış tespit gibi nedenlerle gözden kaçırılabilecek lezyonların teşhisinde erken evrede yapay zekanın faydalı olabileceği düşünülmektedir. Geliştirilen YZ teknolojileri ile patolojik değişiklikler otomatik olarak saptanıp, sınıflandırılarak diş hekimlerine ve radyologlara dental radyografların incelenmesi ve yorumlanmasında ikinci bir görüş sağlanabilmektedir. Bu tez çalışmasının amacı, panoramik radyograflar üzerinde YZ tekniklerinden biri olan derin öğrenme yöntemi ile kullanılan algoritmaların maksillofasial bölgede radyoopak ve radyolusent görüntü veren lezyonların sınıflaması, tespiti ve segmentasyonundaki başarılarını değerlendirmektir. Materyal ve Metot: Bu tez çalışmasına, radyolojik muayene sonucunda maksillofasial bölgede radyoopak veya radyolusent görüntü içeren 12-80 yaş aralığındaki bireylere ait panoramik görüntüler dahil edildi. Maksillofasial bölgede lezyonların varlığı ve yokluğu, dansitelerine bakılarak da radyoopak ya da radyolusent görüntü özelliğine göre, veri setleri oluşturuldu. Panoramik radyografilerden elde edilen veri seti üzerinde AlexNet, VGG16 ve GoogleNet mimarileri ile lezyonlar sınıflandırıldı. YOLOv8 mimarisi kullanılarak da lezyonların tespiti ve segmentasyonu yapıldı. Derin öğrenme mimarilerinin sınıflandırma performansları konfüzyon matrisi kullanılarak, nesne tespiti ve segmentasyon performansları ise precision recall eğrisi kullanılarak değerlendirildi. Bulgular: Panoramik radyografinin bütünü üzerinde yapılan sınıflandırmada, derin öğrenme mimarilerine ait en iyi performanslara bakıldığında; iki sınıflı lezyon (var-yok) sınıflamasında en yüksek doğruluğu GoogleNet (%95.6), radyoopak-radyolusent lezyon sınıflamasında en yüksek doğruluğu VGG16 (%68.4), üç ve dört sınıflı lezyon sınıflandırmasında ise en yüksek doğrulukları GoogleNet (sırasıyla %61.1, %75.7) gösterdi. Panoramik radyografi üzerinden lezyonlu alanın kırpılarak bakıldığı diğer bir sınıflandırmada ise en yüksek doğruluğu GoogleNet ve VGG16 modelleri aynı başarı oranı (%96.5) ile sergilediler. Nesne tespitindeki en yüksek doğruluk, YOLOv8 l modelinde %75.4 başarı oranı ile elde edildi. Segmentasyon probleminde ise en yüksek başarıyı %72.1 oranı ile YOLOv 8 m sergiledi. Sonuç: Bu tez çalışmasının sonucunda lezyonların tespiti, sınıflandırılması ve segmentasyonunda derin öğrenme mimarilerinin genel olarak yüksek doğruluk gösterdiği ancak veri setindeki görüntü sayısı ve çeşitliliği artırılarak yapılacak çalışmalarda daha başarılı sonuçlar alınabileceği kanısına varıldı. Derin öğrenmenin bu başarısı ile erken evrede lezyonların teşhisi yapılabileceği öngörülmekte, rutin kullanımda hekimlere yardımcı olacağı ve zaman kazandırabileceği düşünülmektedir. Anahtar Kelimeler: Maksillofasial bölge, panoramik radyografi, radyolusent lezyon, radyoopak lezyon, yapay zeka