Karaca, BetülUlusoy, Ali Canberk2024-08-212024-08-212023https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=nLNfCsWgUluh5T2iyudShs3o_LJub1McUcg09oeUS8jRgARBUMptC13bVH1E6ehkhttps://hdl.handle.net/11454/98618Amaç: Bu projenin amacı; radyolojik öznitelikler temel alınarak oluşturulan yapay zekâ algoritması kullanarak mandibular 3. molar diş (M3) ile inferior alveolar kanal arasındaki gerçek temas ilişkisini belirlenmesidir. Yöntem: Bu çalışma, Ege Üniversitesi Diş Hekimliği Fakültesi'nin konik ışınlı bilgisayarlı tomografi (KIBT) arşivinde bulunan, görüntüleme alanında en az bir mandibular 3. molar dişin bulunduğu 1010 hastaya ait görüntüler üzerinde odaklanmaktadır. Görüntüler en fazla 3 ay içerisinde çekilen panoramik radyografi (PR) görüntüleriyle eşleştirildikten sonra panoramik görüntülerde yer alan İAK ve M3 ayrı şekilde poligonal bir koordinat sistemi kullanarak etiketlendi. Hastalara ait KIBT görüntüleri, İAK ve M3 arasındaki gerçek temas ilişkisinin belirlenmesinde altın standart olarak kullanılmıştır. Etiketlenen görüntüler görüntü işleme algoritmaları kullanılarak Rood ve Shehab'ın önerdiği 7 radyolojik kriteri (Kökler üzerinde kararma, köklerin yön değiştirmesi, köklerde daralma, bifid apeks, İAK'ın kortikal sınırında kesinti/kayıp, İAK'ın seyrinin değişmesi ve İAK'da ani daralma), öznitelik olarak tanımlanarak değerlendirildi ve sonuçlar sayısal olarak ifade edildi. Çalışmada 4 farklı yöntem kullanılarak çeşitli yapay zekâ algoritmaları oluşturuldu ve bu yöntemlerin farkları sonuçlarıyla birlikte değerlendirildi. Bulgular: Uygulanan 4 farklı yöntem arasından en yüksek başarıyı özniteliklerin kullanıldığı ANN modeli göstermiştir. 30 eğitim döngüsü ile ortalama sonuçlar şu şekilde hesaplanmıştır: doğruluk %85,45; duyarlılık %91,61; özgüllük %88,57; kesinlik %93 ve F1 %90,76. En yüksek başarı gösteren CNN modelinde ise 30 eğitim döngüsü ile elde edilen ortalama sonuçlar: doğruluk %81,7; duyarlılık %93,8; özgüllük %46,8; kesinlik %84,3 ve F1 %88,5 olarak elde edilmiştir. Sonuç: Çeşitli CNN ve ANN modellerinin kullanıldığı çalışmamızda, öznitelik gibi çeşitli sayısal verilerin sunulduğu durumlarda ANN modellerinin, CNN modellerine göre daha yüksek başarı gösterebildiği gösterilmiştir.Purpose: This study aims to determine the contact relationship between the mandibular third molar tooth and the inferior alveolar canal using artificial intelligence algorithms based on radiographic features. Methods: This study concentrates on 1010 images sourced from the cone-beam computed tomography (CBCT) archive at Ege University Faculty of Dentistry, specifically those including at least one mandibular third molar (M3) within the imaging area. After aligning these images with panoramic radiography (PR) images captured within a maximum timeframe of 3 months, the inferior alveolar canal (IAC) and the M3 in the panoramic images were individually marked using a polygonal coordinate system. The CBCT images of the same patients served as the benchmark for determining the actual contact relationship between the IAC and M3. The labeled images underwent assessment employing image processing algorithms, and features were defined based on Rood and Shehab's proposed seven radiological criteria (darkening on roots, changes in root direction, root narrowing, bifid apex, interruption/loss of IAC's cortical border, alteration in IAC course, and sudden narrowing in IAC). Throughout the study, four different methods were employed to construct various artificial intelligence algorithms, and the distinctions among these methods were assessed alongside their outcomes. Results: Among the four different methods, the ANN model using features achieved the highest success. The average results over 30 training cycles were calculated as follows: accuracy 85.45%; sensitivity 91.61%; specificity 88.57%; precision 93%; and F1 score 90.76%. In the highest-performing CNN model, the average results obtained with 30 training cycles are as follows: accuracy 81.7%, sensitivity 93.8%, specificity 46.8%, precision 84.3%, and F1 score 88.5%. Conclusion: Employing various CNN and ANN models, it has been demonstrated that ANN models tend to achieve higher success when various numerical data, such as features, are provided, compared to CNN models.trinfo:eu-repo/semantics/openAccessDiş HekimliğiDentistrySpecialist Thesis1105828670