Periapikal kist ve keratokistik odontojenik tümör lezyonlarının yarı otomatik bölütlenmesi ve sınıflandırılması

Abstract

Konik ışınlı bilgisayarlı tomografi (KIBT) görüntüleme, diş hekimliği alanında radyolojik incelemelerde son yıllarda sıklıkla kullanılmaktadır. Bu tezde, üç boyutlu (3B) KIBT görüntülerinde periapikal kist (PK) ve keratokistik odontojenik tümör (KOT) lezyonlarının bölütlenmesi ve doğru sınıflara ayrılması çalışmaları yapılmış ve yöntemler önerilmiştir. 50 adet 3B KIBT görüntüsü içeren veri dosyaları çalışmanın veri kümesi olarak belirlenmiştir. Uzmanlar tarafından verilerin yarısı PK ve diğer yarısı ise KOT olarak teşhis edilmiştir. Teşhis edilen lezyonlar bu çalışma özelinde geliştirilen yazılım aracılığı ile çeşitli deneylerde kullanılmışlardır. Lezyonlu hacimsel bölgeler geliştirilen yazılımın araçları ile manuel bölütlenmiş ve mutlak doğruluk kümesi elde edilmiştir. Ön işlem adımı için KIBT görüntülerinde tespit edilen gürültülerin temizlenmesine yönelik gürültü temizleme yaklaşımı önerilmiştir. Lezyonların anatomik ve iç yapılarındaki çeşitliliğe uyum sağlayacak yarı otomatik bölütleme yaklaşımı önerilmiştir. Bölütlenmiş lezyonlardan temel istatistikler ve 3B Gri Seviye Birlikte Görülme Matrisi (GSBGM) bilgileri hesaplanmış ve 636 adet öznitelik bilgisi içeren öznitelik vektörü elde edilmiştir. Sınıflandırma deneyleri için altı farklı sınıflandırıcı kullanılmıştır. Sınıflandırma deneyleri sonucunda PK ve KOT lezyonları büyük bir doğruluk oranı ile tespit edilebilmekte ve sınıflandırılabilmektedir. In recent years Cone-beam Computed Tomography (CBCT) imaging is frequently used for radiological examinations in the field of dentistry. In this thesis, studies on segmentation and classification of lesions of periapical cyst (PC) and keratocystic odontogenic tumor (KOT) in three dimensional (3D) CBCT images have been carried out and methods have been proposed. 50 CBCT 3D image dataset files have been employed as the dataset of the study. Experts have identified half of the data as periapical cyst (PC) and the other half as keratocystic odontogenic tumor (KCOT). The diagnosed lesions were used in experiments with specially developed software for this study. The lesional volumetric regions were manually segmented with the developed software tools to obtain a ground truth set. A noise removal approach has been proposed for the preprocessing step for removing noise detected in the CBCT images. A semi-automated segmentation approach has been proposed to accommodate the anatomical and internal variations of the lesions. Basic statistics and 3D Gray Level Co-Occurrence Matrix (GLCM) information were calculated from the segmented lesions and feature vector containing 636 feature information was obtained. Six different classifiers were used for classification experiments. As a result of classification experiments, PC and KCOT lesions can be detected and classified with great accuracy.