Detection of Mucous Retention Cysts Using Deep Learning Methods on Panoramic Radiographs
| dc.contributor.author | Coşgun Baybars, Sümeyye | |
| dc.contributor.author | Danacı, Çağla | |
| dc.contributor.author | Arslan Tuncer, Seda | |
| dc.date.accessioned | 2024-12-28T20:19:17Z | |
| dc.date.available | 2024-12-28T20:19:17Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | Aim: This study aimed to perform clinical diagnosis and treatment planning of mucous retention cysts with high accuracy and low error using the deep learning-based EfficientNet method. For this purpose, a hybrid approach that distinguishes healthy individuals from individuals with mucous retention cysts using panoramic radiographic images was presented.Material and Methods: Radiographs of patients who applied to the Department of Oral and Maxillofacial Radiology, Faculty of Dentistry, Fırat University between 2020 and 2022 and had panoramic radiography for various reasons were evaluated retrospectively. A total of 161 radiographs, 82 panoramic radiographs with mucous retention cysts and 79 panoramic radiographs without mucous retention cysts, were included in the study. In the classification process, deep feature representations or feature maps of the images were created using eight different deep learning models of EfficientNet from B0 to B7. The efficient features obtained from these networks were given as input to the support vector machine classifier, and healthy individuals and patients with mucous retention cysts were classified.Results: As a result of the model training, it was determined that the EfficientNetB6 model performed the best. When all performance parameters of the model were evaluated together, the accuracy, precision, sensitivity, specificity, and F1 score values were obtained 0.878, 0.785, 0.916, 0.857, and 0.846, respectively.Conclusion: The proposed hybrid artificial intelligence model showed a successful classification performance in the diagnosis of mucous retention cysts. The study will shed light on other future studies that will serve the same purpose. | |
| dc.description.abstract | Amaç: Bu çalışmada derin öğrenme tabanlı EfficientNet yöntemi kullanılarak mukos retansiyon kistlerinin yüksek doğruluk ve düşük hata ile klinik tanı ve tedavi planlamasının yapılması amaçlanmıştır. Bu amaçla panoramik radyografik görüntüler kullanılarak sağlıklı bireyleri mukos retansiyon kisti olan bireylerden ayıran hibrit bir yaklaşım sunulmuştur.Gereç ve Yöntemler: Fırat Üniversitesi Diş Hekimliği Fakültesi Ağız, Diş ve Çene Radyolojisi Anabilim Dalı'na 2020 ve 2022 yılları arasında başvuran ve çeşitli nedenlerle panoramik radyografi çekilmiş olan hastaların radyografileri geriye dönük olarak değerlendirilmiştir. Mukos retansiyon kisti bulunan 82 panoramik radyografi ve mukus retansiyon kisti bulunmayan 79 panoramik radyografi olmak üzere toplamda 161 radyografi bu çalışmaya dahil edilmiştir. Sınıflandırma sürecinde EfficientNet'in B0'dan B7'ye kadar sekiz farklı derin öğrenme modeli kullanılarak görüntülerin derin özellik temsilleri veya özellik haritaları oluşturulmuştur. Bu ağlardan elde edilen verimli özellikler, destek vektör makinesi sınıflandırıcısına girdi olarak verilmiş ve sağlıklı bireyler ile mukos retansiyon kisti olan hastalar sınıflandırılmıştır.Bulgular: Model eğitimleri sonucunda EfficientNetB6 modelinin en iyi performansı sergilediği belirlenmiştir. Modelin tüm performans parametreleri birlikte değerlendirildiğinde, doğruluk, kesinlik, duyarlılık, özgüllük ve F1 puanı değerleri sırasıyla 0,878, 0,785, 0,916, 0,857 ve 0,846 olarak elde edilmiştir.Sonuç: Önerilen hibrit yapay zeka modelinin mukos retansiyon kisti teşhisinde başarılı bir sınıflandırma performansı göstermiştir. Bu çalışmanın aynı amaca hizmet edecek gelecekteki diğer çalışmalara ışık tutacağı düşünülmektedir. | |
| dc.identifier.dergipark | DergiPark: 1489407 | |
| dc.identifier.doi | 10.18678/dtfd.1489407 | |
| dc.identifier.endpage | 208 | |
| dc.identifier.issn | 1307-671X | |
| dc.identifier.issue | 3 | |
| dc.identifier.startpage | 203 | |
| dc.identifier.uri | https://doi.org/10.18678/dtfd.1489407 | |
| dc.identifier.uri | https://dergipark.org.tr/tr/download/article-file/3953567 | |
| dc.identifier.uri | https://dergipark.org.tr/tr/pub/dtfd/issue/87618/1489407 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12684/15939 | |
| dc.identifier.volume | 26 | |
| dc.language.iso | en | |
| dc.publisher | Düzce Üniversitesi | |
| dc.relation.ispartof | Düzce Tıp Fakültesi Dergisi | |
| dc.relation.publicationcategory | Makale - Ulusal Hakemli Dergi | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.snmz | KA_20241228 | |
| dc.subject | Deep Learning | |
| dc.subject | Panoramic radiography | |
| dc.subject | maxillary sinus | |
| dc.subject | cyst | |
| dc.subject | Derin öğrenme | |
| dc.subject | panoramik radyografi | |
| dc.subject | maksiller sinüs | |
| dc.subject | kist | |
| dc.title | Detection of Mucous Retention Cysts Using Deep Learning Methods on Panoramic Radiographs | |
| dc.title.alternative | Panoramik Radyografilerde Mukos Retansiyon Kistlerinin Derin Öğrenme Yöntemleri Kullanılarak Tespiti | |
| dc.type | Article |
Dosyalar
Orijinal paket
1 - 1 / 1
