Dental radyografi segmentasyonunda küresel bağlam modellemesinin sistematik analizi: CNN, dikkat ve transformer tabanlı mimarilerin karşılaştırmalı bir çalışması
A systematic analysis of global context modeling in dental radiograph segmentation: A comparative study of CNN-, attention-, and transformer-based architectures
- Tez No: 1023818
- Danışmanlar: DOÇ. DR. FUAT TÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kırıkkale Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Panoramik radyografilerde dental yapıların doğru şekilde segmentasyonu, modern diş hekimliğinde bilgisayar destekli tanı ve tedavi planlaması için kritik bir adımdır. U-Net, V-Net ve SegNet gibi evrişimsel sinir ağı (CNN) tabanlı mimariler yerel uzamsal özelliklerin yakalanmasında güçlü performans göstermiş olsa da, uzun menzilli bağımlılıkları modelleme yetenekleri sınırlı kalmaktadır. Bu sınırlılığı gidermek amacıyla son yıllarda yapılan çalışmalarda dikkat mekanizmaları, yerel olmayan işlemler ve transformer tabanlı mimariler gibi küresel bağlam modelleme yöntemleri kullanılmaya başlanmıştır. Bu çalışmada, küresel bağlam modelleme tekniklerinin farklı segmentasyon mimarileri üzerindeki etkisini incelemek amacıyla sistematik bir çerçeve önerilmiştir. Yaygın olarak kullanılan üç temel mimari (U-Net, V-Net ve SegNet), küresel bağlam öğrenimine yönelik modüller ile genişletilmiş ve tüm modeller, adil ve tutarlı bir karşılaştırma sağlamak amacıyla Tufts Dental Database kullanılarak eşit koşullar altında değerlendirilmiştir. Deneysel sonuçlar, küresel bağlam modellemesinin etkinliğinin büyük ölçüde kullanılan temel mimariye bağlı olduğunu göstermektedir. En iyi performans, 0.8847 Dice skoru ve 0.8038 IoU skoru ile Attention + Non-Local + U-Net modeli tarafından elde edilirken diğer modeller de yakın performanslar göstermiştir. Bu mekanizmalar, özellikle sınır iyileştirme ve özellik lokalizasyonu açısından bazı mimarilerde ciddi performans artışları sağlamıştır. Buna karşılık, transformer tabanlı genişletmeler sınırlı veri koşullarında performans artışı sağlamamıştır. Çapraz doğrulama ve güven aralığı analizleriyle desteklenen nicel sonuçlar, modeller arasındaki performans farklarının görece sınırlı olduğunu ve bu farkların her zaman istatistiksel olarak anlamlı olmayabileceğini göstermektedir. Mevcut sonuçlar, model karmaşıklığının artırılmasının her zaman daha iyi segmentasyon performansı sağlamadığını ortaya koymakta ve küresel bağlam mekanizmalarının entegrasyonunda mimariye duyarlı tasarımın önemini vurgulamaktadır. Çalışma, farklı segmentasyon stratejilerinin davranışlarına ilişkin pratik çıkarımlar sunarak dental görüntü analizi alanındaki uygulanabilirliğin daha iyi anlaşılmasına katkı sağlamaktadır.
Özet (Çeviri)
Accurate segmentation of dental structures in panoramic radiographs is a critical step for computer-aided diagnosis and treatment planning in modern dentistry. Although convolutional neural network (CNN)-based architectures such as U-Net, V-Net, and SegNet have demonstrated strong performance in capturing local spatial features, their ability to model long-range dependencies remains limited. To address this limitation, global context modeling approaches, including attention mechanisms, non-local operations, and transformer-based architectures, have increasingly been employed in recent studies. In this study, a systematic framework was proposed to investigate the effects of global context modeling techniques on different segmentation architectures. Three widely used baseline architectures (U-Net, V-Net, and SegNet) were extended with modules designed for global context learning, and all models were evaluated under identical conditions using the Tufts Dental Database in order to ensure a fair and consistent comparison. Experimental results demonstrated that the effectiveness of global context modeling is highly dependent on the underlying segmentation architecture. The best performance was achieved by the Attention + Non-Local + U-Net model, which obtained a Dice score of 0.8847 and an IoU score of 0.8038, while the remaining models also exhibited comparable performance. These mechanisms provided significant performance improvements in certain architectures, particularly in terms of boundary refinement and feature localization. In contrast, transformer-based extensions did not yield performance improvements under limited data conditions. Quantitative results supported by cross-validation and confidence interval analyses indicated that the performance differences among the models were relatively limited and may not always be statistically significant. The obtained results demonstrate that increasing model complexity does not necessarily lead to better segmentation performance and highlight the importance of architecture-sensitive design in the integration of global context mechanisms. Furthermore, the study provides practical insights into the behavior of different segmentation strategies and contributes to a better understanding of their applicability in the field of dental image analysis.
Benzer Tezler
- Maksillofasial bölgede radyoopak ve radyolusent görüntü veren lezyonlarda yapay zeka modellerinin etkinliğinin panoramik radyografiler üzerinde değerlendirilmesi
The effectiveness of artificial intelligence models on radiopaque and radiolucent lesions in the maxillofacial region on panoramic radiography
ZEYNEP TURANLI TOSUN
Doktora
Türkçe
2024
Diş HekimliğiAtatürk ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
PROF. DR. MUHAMMED AKİF SÜMBÜLLÜ
- Data and model based performance improvement in transfer learning by using generative adversarial networks and model fusion techniques
Çekişmeli üretici ağlar ve model tümleştirme teknikleri kullanarak aktarımlı öğretimde veri ve model tabanlı performans iyileştirme
TUĞÇE TOPRAK
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiDokuz Eylül ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ALPER SELVER
- Deri̇n öğrenme i̇le radyografi̇k di̇ş görüntüleri̇ni̇n segmentasyonunda görüntü ön i̇şleme yöntemleri̇ni̇n etki̇si̇ni̇n araştirilmasi
Investigating the effect of image preprocessing methods on the segmentation of radiographic dental ımages using deep learning
NESLİHAN SOGUR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NİHAN KAZAK ÇERÇEVİK
- Dişlerde hacim ölçümü için farklı radyografik görüntüleme programlarının doğruluğunun karşılaştırılması
Comparison of accuracy of different radiographic imaging programs for volume measurements in teeth
MERVE AYDOĞDU
Diş Hekimliği Uzmanlık
Türkçe
2021
Diş HekimliğiKırıkkale ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DOÇ. DR. MEHMET ZAHİT ADIŞEN
- Bıtewıng ağız içi radyografik görüntülerde derin öğrenme ile diş segmentasyonu
Dental segmentation with deep learning on bitewing intraoral radiographic images
BUSE YAREN TEKİN
Yüksek Lisans
Türkçe
2021
Diş HekimliğiKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CANER ÖZCAN