Derin öğrenme yöntemleri ile panoramik röntgen görüntülerinden diş mobilitelerinin değerlendirilmesi
Assessment of tooth mobility from panoramic radiographs using deep learning methods
- Tez No: 1020408
- Danışmanlar: DOÇ. DR. EMRE YAPRAK, DOÇ. DR. ALEV MUTLU
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Periodontoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmanın amacı, panoramik radyografi görüntülerinden derin öğrenme yöntemleri kullanılarak diş mobilitesinin otomatik olarak değerlendirilmesine yönelik bir yapay zekâ sistemi geliştirmek ve klinik uygulanabilirliğini araştırmaktır. Yöntem: Kocaeli Üniversitesi Diş Hekimliği Fakültesi Periodontoloji Anabilim Dalı'na Ocak 2025–Ocak 2026 tarihleri arasında başvuran hastalara ait panoramik radyografi görüntüleri ve Periotest cihazıyla elde edilen klinik mobilite ölçümleri bu kesitsel çalışma kapsamında incelenmiştir. Posterior dişlere ait Periotest değerleri Miller mobilite sınıflamasına uyarlanarak Sınıf 0, 1, 2 ve 3 olmak üzere dört kategoriye dönüştürülmüştür. Modele girdi olarak panoramik radyografi görüntülerinden elde edilen öznitelikler kullanılmıştır. Veri seti diş görüntüsü düzeyinde %80 eğitim ve %20 test oranıyla bölünmüş; eğitim seti 1.924 diş görüntüsü, test seti ise 480 diş görüntüsü içermiştir. EfficientNet, SVM_Platt, XGB_Platt ve Ensemble sistemleri değerlendirilmiş; 2.000 farklı parametre kombinasyonu test edilerek makro F1 skoru temel optimizasyon kriteri olarak alınmıştır. Bulgular: En yüksek performansa XGB_Platt sistemi ulaşmış; %52,7 doğruluk ve 0,521 makro F1 skoru elde edilmiştir. EfficientNet %52,5 doğruluk ve 0,512 makro F1 skoru ile ikinci sırada yer almıştır. Ensemble ve SVM_Platt sistemlerinde makro F1 skorları sırasıyla 0,505 ve 0,501 olarak bulunmuştur. Tüm sistemlerde Sınıf 0 ve Sınıf 3 görece başarılı sonuçlar verirken, Sınıf 1 ve Sınıf 2 ayrımında sistematik yetersizlik gözlemlenmiştir. Exact McNemar testi sonuçlarına göre sistemler arasında istatistiksel olarak anlamlı fark saptanmamıştır. Sonuç: Tüm sistemler rastgele sınıflandırmanın üzerinde performans sergilemiş olmakla birlikte klinik uygulamaya taşınabilecek düzeyde doğruluk oranına ulaşılamamıştır. Modelin geliştirilmesi için, klinik ataşman kaybı, diş eti çekilmesi ve oklüzyon ilişkisi gibi ek periodontal parametrelerin sisteme dahil edilmesi, veri setinin genişletilmesi ve görüntüleme modalitelerinin çeşitlendirilmesi önerilmektedir.
Özet (Çeviri)
Objective: The aim of this study was to develop an artificial intelligence system for the automatic assessment of tooth mobility from panoramic radiographs using deep learning methods, and to investigate its clinical applicability. Method: Panoramic radiograph images and clinical mobility measurements obtained via the Periotest device from patients who presented to the Department of Periodontology, Faculty of Dentistry, Kocaeli University between January 2025 and January 2026 were examined within the scope of this cross-sectional study. Periotest values of posterior teeth were adapted to the Miller mobility classification and converted into four categories as Class 0, 1, 2, and 3. Features extracted from panoramic radiographs were used as model inputs. The dataset was split at the tooth-image level into 80% training and 20% testing; the training set contained 1,924 tooth images and the test set contained 480 tooth images. EfficientNet, SVM_Platt, XGB_Platt, and Ensemble systems were evaluated; 2,000 different parameter combinations were tested, with the macro F1 score adopted as the primary optimization criterion. Results: The highest performance was achieved by the XGB_Platt system, with 52.7% accuracy and a macro F1 score of 0.521. EfficientNet ranked second with 52.5% accuracy and a macro F1 score of 0.512. The macro F1 scores of the Ensemble and SVM_Platt systems were 0.505 and 0.501, respectively. Across all systems, Class 0 and Class 3 yielded relatively successful results, whereas a systematic inadequacy was observed in distinguishing Class 1 from Class 2. According to the Exact McNemar test, no statistically significant difference was found between the systems. Conclusion: Although all systems performed above the level of random classification, an accuracy sufficient for clinical implementation could not be achieved. To improve the model, the inclusion of additional periodontal parameters such as clinical attachment loss, gingival recession, and occlusal relationship, along with expansion of the dataset and diversification of imaging modalities, is recommended.
Benzer Tezler
- Derin öğrenme yöntemleri ile panoramik röntgen görüntülerinden maksiller sinüs opasitelerinin tespiti
Detection of maxillary sinus opacification on panoramic radiograph with deep learning methods
GİZEM TURAN
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiKocaeli ÜniversitesiPeriodontoloji Ana Bilim Dalı
DOÇ. DR. EMRE YAPRAK
- 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
- Ağız bölgesi ile ilgili hastalık ve anatomik yapıların yapay zeka tabanlı tespit edilmesi
Artificial intelligence based detection of diseases and anatomical structures related to the oral region
MERYEM DURMUŞ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURHAN ERGEN
- Diş görüntüleri üzerinde görüntü işleme ve derin öğrenme yöntemleri kullanılarak çürük seviyesinin sınıflandırılması
Classification of caries level using image processing and deep learning methods on dental images
ÜMRAN ÜNSAL
Yüksek Lisans
Türkçe
2022
Bilim ve TeknolojiAksaray ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. KEMAL ADEM
- Derin öğrenme yöntemleri ile ektopik erüpsiyon bölgelerinin otomatik tespiti ve şiddet sınıflandırması
Automatic detection and severity grading of ectopic eruption regions using deep learning methods
ESEN TURUNÇ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAMZA OSMAN İLHAN