Derin öğrenme yöntemleriyle panoramik radyografi görüntülerinde perıodontal kemik kaybının tespiti
Detection of periodontal bone loss on panoramic radiographs using deep learning methods
- Tez No: 1017148
- Danışmanlar: DOÇ. DR. BÜLENT TURAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Görüntü işleme, Deep learning, Image processing
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Periodontal hastalıklar, diş eti ve destek dokuların ilerleyici yıkımı ile karakterize olup, yetişkinlerde yaygın görülen önemli bir ağız sağlığı problemidir. Hastalığın temel göstergelerinden biri olan alveolar kemik kaybının erken ve doğru teşhisi, uygun tedavi planlaması açısından büyük önem taşımaktadır. Klinik uygulamalarda kemik kaybı genellikle panoramik radyografiler üzerinden manuel olarak değerlendirilmekte, bu süreç ise hekimin deneyimine bağlı olarak zaman alıcı ve değişken sonuçlar verebilmektedir. Son yıllarda derin öğrenme tabanlı yöntemler, periodontal kemik kaybının daha objektif ve tekrarlanabilir şekilde değerlendirilmesine olanak sağlamaktadır. Bu çalışmada, Tokat Gaziosmanpaşa Üniversitesi Diş Hekimliği Fakültesi arşivinden elde edilen 25–65 yaş aralığındaki erkek bireylere ait panoramik diş radyografileri kullanılarak periodontal kemik kaybının otomatik tespiti ve nicel ölçümü amaçlanmıştır. Bu doğrultuda, görüntü segmentasyonu ve nesne tespiti alanlarında başarılı sonuçlar veren U-Net ve YOLOv8 mimarilerinin birleştirildiği hibrit bir derin öğrenme sistemi geliştirilmiştir. Kemik ve taç bölgelerinin piksel düzeyinde ayrıştırılması için eğitilen U-Net modeli, doğrulama verileri üzerinde %96.40 doğruluk, 0.795 Dice katsayısı ve 0.695 IoU değeri elde ederek periodontal yapıların güvenilir şekilde segmentasyonunu sağlamıştır. Diş tespiti için kullanılan YOLOv8 modeli ise 0.980 Precision, 0.991 Recall, 0.993 mAP@50 ve 0.706 mAP@50–95 değerleriyle yüksek performans göstermiştir. U-Net tarafından oluşturulan segmentasyon maskeleri ile YOLOv8'in diş tespit sonuçları birleştirilerek her diş için taç bölgesinden alveolar kemiğe uzanan skeleton çizgileri oluşturulmuştur. Geliştirilen hibrit sistem, panoramik radyografiler üzerinde manuel ölçüm ihtiyacını azaltan, periodontal kemik kaybının erken teşhisini destekleyen ve diş hekimlerine objektif, hızlı ve tekrarlanabilir karar desteği sunan yenilikçi bir yapay zekâ yaklaşımı ortaya koymaktadır.
Özet (Çeviri)
Periodontal diseases are characterized by the progressive destruction of the gums and supporting tissues and represent a significant oral health problem commonly seen in adults. The early and accurate diagnosis of alveolar bone loss, one of the key indicators of the disease, is of great importance for appropriate treatment planning. In clinical practice, bone loss is typically assessed manually using panoramic radiographs; however, this process can be time-consuming and yield variable results depending on the clinician's experience. In recent years, deep learning-based methods have enabled a more objective and reproducible assessment of periodontal bone loss. In this study, the aim was to automatically detect and quantitatively measure periodontal bone loss using panoramic dental radiographs obtained from the archives of the Faculty of Dentistry at Tokat Gaziosmanpaşa University, belonging to male individuals aged 25–65. To this end, a hybrid deep learning system combining the U-Net and YOLOv8 architectures—which have yielded successful results in image segmentation and object detection—was developed. The U-Net model, trained to distinguish bone and crown regions at the pixel level, achieved 96.40% accuracy, a Dice coefficient of 0.795, and an IoU value of 0.695 on the validation data, ensuring reliable segmentation of periodontal structures. The YOLOv8 model used for tooth detection, meanwhile, achieved high performance metrics with a Precision of 0.980, a Recall of 0.991, an mAP@50 of 0.993, and an mAP@50–95 of 0.706.
Benzer Tezler
- Panoramik radyografi görüntüleri üzerinde diş çürüğünün derin öğrenme tabanlı yöntemler ile analizi ve tespiti
Analysis and detection of dental caries on panoramic radiography images with deep learning-based methods
DİLARA ÖZDEMİR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CANER ÖZCAN
- Derin öğrenme teknikleri ile sentetik panoramik diş röntgeni görüntüsü üretme
Generating synthetic panoramic dental x-ray images with deep learning techniques
MERTER HAMİ KARACAN
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇanakkale Onsekiz Mart ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAİT CAN YÜCEBAŞ
- Panoramik radyografilerde tüm gömülü dişlerin ve winter sınıflamasına göre üçüncü molar dişlerin derin öğrenme ile otomatik tespiti ve lokalizasyonu: Klinik kullanım için arayüz tasarımı
Automatic detection and localization of all impacted teeth and third molar teeth according to winter classification in panoramic radiographies with deep learning: Interface design for clinical use
TAHA ZİREK
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiNecmettin Erbakan ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DOÇ. DR. MELEK TAŞSÖKER
- Mandibula fraktürlerinin panoramik radyografilerde tespiti ve anatomik sınıflandırılmasında iki farklı derin evrişimli sinir ağı modelinin karşılaştırmalı incelenmesi
Comparative analysis of two different deep convolutional neural network models in the detection and anatomical classification of mandibular fractures
YASEMİN KILIÇ
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiDicle ÜniversitesiAğız, Diş ve Çene Cerrahisi Ana Bilim Dalı
DOÇ. DR. UTKU NEZİH YILMAZ
- Panoramik radyografilerde dens invajinatus varlığının yapay zekâ modelleriyle tespiti
Detection of dens invaginatus in panoramic radiographs using artificial intelligence models
AYŞE HANNE SARI
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiNecmettin Erbakan ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DOÇ. DR. GÜLDANE MAĞAT