Geri Dön

Yapay zeka kullanılarak farklı preparasyon derinliklerindeki diş renginin tahmin edilmesi

Prediction of tooth color at different preparation depths using artificial intelligence

PDF İndir

  1. Tez No: 997767
  2. Yazar: TUĞBA KUYUMCU
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ONUR DOĞAN DAĞ
  4. Tez Türü: Diş Hekimliği Uzmanlık
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Trakya Üniversitesi
  10. Enstitü: Diş Hekimliği Fakültesi
  11. Ana Bilim Dalı: Protetik Diş Tedavisi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Yapay zekâ algoritmaları ile anterior dişlerde farklı preparasyon derinliklerinde ortaya çıkacak renk değişimlerini henüz preparasyon yapılmadan öngörebilmek Yöntem: Çalışmada çürüksüz, restorasyonsuz ve kanal tedavisi bulunmayan toplam 106 adet üst ve alt anterior diş kullanılmıştır. Dişler vestibül yüzeyinden 0.3, 0.5, 0.7, 1.0 ve 1.5 mm derinlikte prepare edilmiştir. Renk ölçümü Vita Easyshade V spektrofotometresi ile yapılmış; her aşamada L*, a*, b* değerleri kaydedilmiş ve ΔE00 değerleri başlangıç ölçümüne göre hesaplanmıştır. Doğrusal regresyon, polinomsal regresyon, karar ağacı, rastgele orman ve destek vektör regresyonu modelleri ile derinliğe bağlı L*, a*, b* tahminleri denenmiştir. Ayrıca istatistiksel analizlerde derinliklere göre renk değişimleri karşılaştırılmıştır. Bulgular: Preparasyon derinliği arttıkça ΔL ve ΔE değerinde anlamlı artış gözlenmiş. Δb değerleri özellikle üst santral dişlerde diğer diş gruplarına kıyasla anlamlı düzeyde yüksek bulunmuştur. Tüm makine öğrenmesi modellerinin R² değerleri düşük bulunmuş, derinliğin tek başına L*, a*, b* tahmini için yeterli belirleyici olmadığı görülmüştür. Sonuç: Preparasyon derinliği arttıkça dentin etkisi belirginleşmiş; özellikle ΔL ve ΔE değerlerinde anlamlı artış görülmüştür. Minimal aşındırmalarda (0.3–0.5 mm) ΔL değişimi sınırlı kalırken, 0.7–1.5 mm preparasyonlarda ΔL artışı belirginleşmiştir. Δa ve Δb değerleri genel olarak derinlikten bağımsız seyretmiştir. Diş tipleri arasında farklılıklar gözlenmiş; üst santrallerde Δb artışı, kaninlerde ise ΔL ve ΔE artışı daha yüksek bulunmuştur. 0.3 mm preparasyonda bile örneklerin çoğunda ΔE00>0.8 olması, minimal aşındırmanın dahi fark edilebilir renk değişimine yol açtığını göstermiştir. Tüm makine öğrenmesi modellerinin düşük R² üretmesi ise derinliğin tek başına diş rengini öngörmede yetersiz olduğunu ortaya koymuştur.

Özet (Çeviri)

Objective: The aim of this study is to use artificial intelligence algorithms to predict the color changes that will occur at different preparation depths in anterior teeth before any preparation is performed. Method: A total of 106 extracted anterior teeth without caries, restorations, or endodontic treatment were included. The vestibular surfaces were prepared at depths of 0.3, 0.5, 0.7, 1.0, and 1.5 mm. Color measurements were performed with the Vita Easyshade V spectrophotometer, and L*, a*, b* values were recorded at each stage. ΔE00 values were calculated relative to the baseline measurements. Linear regression, polynomial regression, decision tree regression, random forest regression, and support vector regression models were applied to predict L*, a*, b* based on preparation depth. In addition, statistical analyses were conducted to compare color changes across different depths. Results: A significant increase in ΔL and ΔE values was observed as the preparation depth increased. Δb values were significantly higher in maxillary central incisors compared to other tooth groups. All machine learning models produced low R² values, indicating that depth alone was insufficient for predicting L*, a*, and b* values. Conclusion: As preparation depth increased, the influence of dentin became more pronounced, leading to significant increases particularly in ΔL and ΔE. While ΔL changes remained limited at minimal preparation levels (0.3–0.5 mm), a marked increase was observed from 0.7 to 1.5 mm. Δa and Δb values showed no consistent depth-related pattern overall. Tooth-type differences were evident: Δb increase was more pronounced in maxillary central incisors, whereas canine teeth demonstrated higher ΔL and ΔE changes. Even at 0.3 mm preparation, most samples exhibited ΔE00 > 0.8, indicating that minimal preparation can still cause clinically perceptible color changes. The low R² values obtained from all machine learning models suggest that depth alone is insufficient to accurately predict natural tooth color.

Benzer Tezler

  1. Tez No

    1013612

    Diş preparasyonunun,intraoral tarayıcılar ve yapay zeka tabanlı programlar tarafından kaydedilen maksimum interkuspal pozisyon doğruluğuna etkisi

    Effect of tooth preparation on the accuracy of maximum intercuspal position recorded by intraoral scanners and artificial intelligence-based software

    FATIMA ALIZADA

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2026

    Diş HekimliğiNecmettin Erbakan Üniversitesi

    Protetik Diş Tedavisi Ana Bilim Dalı

    DOÇ. DR. MEHMET ESAD GÜVEN

  2. Tez No

    950431

    Yapay zeka destekli yazılımlarla tasarlanmış indirekt restorasyonların çok yönlü değerlendirilmesi

    Comprehensive assessment of indirect restorations designed by artificial inteligence-powered software systems

    NEŞE EZGİ KARAOĞLAN

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2025

    Diş HekimliğiMarmara Üniversitesi

    Restoratif Diş Tedavisi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜLÇİN BİLGİN GÖÇMEN

  3. Tez No

    389359

    Yüksek çözünürlüklü uydu görüntüleri kullanarak benzer spektral özelliklere sahip doğal nesnelerin ayırt edilmesine yönelik bir metodoloji geliştirme

    Developing a methodology for discriminating natural objects having spectrally similar features using very high resolution satellite imagery

    İSMAİL ÇÖLKESEN

    Doktora

    Türkçe

    Türkçe

    2015

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. TAHSİN YOMRALIOĞLU

  4. Tez No

    495139

    Experimental analysis and modeling of photovoltaic panels

    Fotovoltaik panellerin deneysel analizi ve modellenmesi

    ERHAN KAYABAŞI

    Doktora

    İngilizce

    İngilizce

    2018

    EnerjiKarabük Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN KURT

  5. Tez No

    511285

    Makine öğrenme algoritmalarıyla hatalı ürün tahmini

    Prediction of defective product with machine learning algorithms

    ENES ŞANLITÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ

Geri Dön