The automatic segmentation of submandibular salivary glands and classification of sonographic parameters using deep learning methods in ultrasound images
Ultrasonografi görüntülerinde derin öğrenme yöntemiyle submandibular tükürük bezlerinin otomatik segmentasyonu ve sonografik parametrelerin siniflandirilmasi
- Tez No: 900631
- Danışmanlar: DR. ÖĞR. ÜYESİ FİRDEVS AŞANTOĞROL
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tükürük bezleri, vücudun ağız içi homeostazını sağlamakta önemli rol oynayan ekzokrin salgı bezleridir. Tükürük bezlerinin temel görevi, oral ve genel sağlık için kritik olan tükürüğü üretmek ve salgılamaktır. Bazı hastalıklar ve klinik durumlar, tükürük bezlerinin B-mod ve renkli Doppler ultrasonografi (USG) görüntülerinde belirgin değişikliklere neden olabilir. Bu değişiklikler, tükürük bezlerinin parankim yapısında bozulmalar, ekojenite değişiklikleri, bezin sınırlarında düzensizlikler ve vaskülarizasyon değişiklikleri olarak kendini gösterebilir. Bu çalışmanın amacı, submandibular tükürük bezlerinin USG görüntülerini derin öğrenme (DÖ) yöntemleriyle otomatik olarak segmente etmek ve bu görüntülerdeki sonografik parametreleri sınıflandırmaktır. Gaziantep Üniversitesi Diş Hekimliği Fakültesi Ağız, Diş ve Çene Radyolojisi Anabilim Dalı'na başvuran 18 yaş ve üzeri toplam 312 bireyin sağ ve sol submandibular tükürük bezleri USG ile görüntülendi. Bu görüntülerde YOLOv8 DÖ algoritmasının submandibular tükürük bezlerini segmente etme başarısı ve VGG16, VGG19, Inceptionv3, Xception, MobileNet, MobileNetv2 ve YOLOv8 DÖ algoritmalarının sınıflandırma performansı değerlendirildi. Model performanslarını değerlendirmek için karmaşıklık matrisi kullanıldı. Submandibular tükürük bezi segmentasyonunda %100 doğruluk gösteren YOLOv8 modeli, ekojenite değerlendirmesinde %97.6 doğrulukla en başarılı sonuçları verdi. Homojenite sınıflandırmasında en yüksek doğruluk %93.6 ile MobileNetv2, marjin değerlendirmesinde ise en yüksek doğruluk %74.4 ile MobileNet tarafından elde edildi. Vaskülarizasyon şiddeti ve lokalizasyon değerlendirmelerinde ise YOLOv8 modeli sırasıyla %100 ve %89.3 doğruluk oranlarıyla en başarılı sonuçları sağladı. Sonuç olarak, bu çalışma, submandibular tükürük bezlerinin USG görüntülerinde DÖ algoritmalarının yüksek segmentasyon ve sınıflandırma başarısını ortaya koymuştur. Bu bulgular, klinik uygulamalarda karar destek sistemlerinin geliştirilmesi ve klinisyenlere tanı süreçlerinde önemli bir destek sağlanması açısından umut vericidir.
Özet (Çeviri)
Salivary glands are exocrine glands that play a crucial role in maintaining oral homeostasis. Their primary function is the production and secretion of saliva, which is essential for both oral and general health. Certain diseases and clinical conditions can cause significant changes in the B-mode and color Doppler ultrasonography (USG) images of salivary glands, including alterations in parenchymal structure, echogenicity, glandular margins, and vascularization. The aim of this study was to automatically segment submandibular salivary glands in USG images using deep learning (DL) methods and classify the sonographic parameters. A total of 312 individuals aged 18 and older who applied to the Department of Oral and Maxillofacial Radiology at Gaziantep University Faculty of Dentistry underwent USG imaging of their right and left submandibular salivary glands. The segmentation performance of the YOLOv8 DL algorithm and the classification accuracy of VGG16, VGG19, Inceptionv3, Xception, MobileNet, MobileNetv2, and YOLOv8 were evaluated. A confusion matrix was used to evaluate model performances. YOLOv8 achieved 100% accuracy in submandibular gland segmentation and 97.6% accuracy in echogenicity assessment. MobileNetv2 achieved the highest accuracy in homogeneity classification (93.6%), while MobileNet showed the best performance in margin evaluation (74.4%). YOLOv8 also performed best in assessing vascularization intensity (100%) and localization (89.3%). In conclusion, this study demonstrates the high segmentation and classification performance of DL algorithms in USG images of submandibular salivary glands. These findings are promising for developing decision support systems in clinical practice, offering significant support to clinicians during diagnosis.
Benzer Tezler
- An approach for the automatic segmentation of high resolution satellite images into agricultural fields
Yüksek çözünürlüklü uydu görüntülerinin tarımsal parsellere otomatik segmentasyonu için bir yaklaşım
ALIREZA RAHIMZADEGANASL
Yüksek Lisans
İngilizce
2015
Jeodezi ve FotogrametriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA TÜRKER
- 3-D automatic segmentation and modelling of cartilage compartments in high-field magnetic resonance images of the knee joint
Diz ekleminin yüksek alan manyetik rezonans görüntülerinde kıkırdak bölgelerini 3-B otomatik bölütleme ve modelleme
CEYDA NUR ÖZTÜRK
Doktora
İngilizce
2016
Ortopedi ve TravmatolojiYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SONGÜL ALBAYRAK
- Derin öğrenme mimarileri ile MR taramalarından omuriliğin otomatik bölütlenmesi ve MS lezyonlarının ayırıcı tanısı
Automatic segmentation of the spinal cord from MR scans and differential diagnosis of MS lesions with deep learning architectures
RUKİYE POLATTİMUR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- Çok modlu görüntüleme ile baş ve boyun bölgesinde risk altındaki organların otomatik segmentasyonu
Automatic segmentation of organs-at-risk in the head and neck region using multi-modal imaging
SİNAN SEVGİ
Yüksek Lisans
Türkçe
2025
Bilim ve Teknolojiİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. MURAT GEZER
- Otomatik gürbüz bölütleme ile uyluk MR imgelerinde kas ve yağ miktarlarının belirlenmesi
Quantification of muscle and fat volumes in the thigh MR images using automatic robust segmentation
İSMAİL IRMAKÇI
Doktora
Türkçe
2017
Elektrik ve Elektronik MühendisliğiEge ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AYDOĞAN SAVRAN
YRD. DOÇ. DR. ULAŞ BAĞCI