Diş radyografileri kullanan derin öğrenme tabanlı çürük tespiti ve tedavi karar destek sistemi
Deep learning-based caries detection and treatment decision support system using dental radiographs
- Tez No: 1025074
- Danışmanlar: DOÇ. DR. İMAM ŞAMİL YETİK, DR. ÖĞR. ÜYESİ TOYGAR AKGÜN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Diş hekimliği, Karar destek sistemi, Yapay zekâ, Düşük doz radyografi, Sınırlı sayıda örnekle öğrenme, Bilgisayar destekli teşhis, Görüntü bölütleme, Görüntü işleme-bilgisayarlı, Sayısal görüntü işleme, Dentistry, Decision support system, Artificial intelligence, Low dose radiography, Few shot learning, Computer assisted diagnosis, Image segmentation, Image processing-computer assisted, Digital image processing
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Tobb Ekonomi ve Teknoloji Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Diş hekimleri, hastalarının diş radyografi görüntülerinden yararlanarak çeşitli hastalıklar için teşhis koymaktadır. Bu karar verme esnasında diş hekimi veya çevresel etkenli hatalar ortaya çıkabilmektedir. Bu tezde, hataların önüne geçilebilmek için yapay zekâ destekli bir tanı karar destek sistemi sunulması amaçlanmıştır. Karar destek sistemi diş çürüklerini tespit ederken, çürükleri dolgu ve kanal tedavisine ihtiyaç duyan çürükler olarak ayırmaktadır. İki yüz elli ısırtma radyografi görüntüsü çoğaltılarak, 1253 ısırtma görüntüsüne ulaşılmıştır. Bu radyografiler üç farklı yapay sinir ağı mimarisinin eğitilmesinde ve testinde kullanılmıştır. Birinci azı dişlerin bulunduğu ısırtma radyografileri ile eğitilen U-Net, Mask R-CNN ve YOLOv8 ağ modellerinin test performansları karşılaştırmalı olarak sunulmuştur. Diş çürüklerin bölütlenmesinde en iyi doğruluk sonucu %95,03 ile Mask R-CNN'den elde edilirken, sırasıyla U-Net %90,88 ve YOLOv8 %90,61 ile takip etmiştir. Tedavi tanısında, Mask R-CNN %88,09 doğruluk sonucu gösterirken, YOLOv8 %70,23 ve U-Net %61,90 doğruluk sonuçları göstermiştir. Mask R-CNN ağ modelinde, suni düşük doz radyografiler de test edilmiştir. Suni düşük doz radyografilerdeki çürüklerin tanısında %87,29 doğruluk elde edilirken, hastalık tanısında %61,90 doğruluk elde edilmiştir. Mask R-CNN sınırlı sayıda örnekle tekrar eğitilerek test edilmiştir. Model çürüklerin bölütlenmesinde %91,71 ortalama doğruluk performansı göstermiştir. Yapay zekâ tabanlı çürük tanı sistemlerinin performansları detaylı olarak sunulmuştur. Deneyler sonucunda karar destek sistemlerinin yüksek performans gösterdiği gözlemlenmiştir. Klinik düzeyde bu sistemlerin etkin, destekleyici bir araç olarak rol alabileceği görülmüştür.
Özet (Çeviri)
Dentists make diagnoses for various diseases by utilizing dental radiographic images of their patients. During this decision-making process, errors arising from the dentist or environmental factors may occur. In this thesis, it is aimed to present an artificial intelligence-assisted diagnostic decision support system in order to prevent such errors. While the decision support system detects dental caries, it also distinguishes caries into those requiring filling and those requiring root canal treatment. Two hundred and fifty bitewing radiographic images were augmented, reaching a total of 1253 bitewing images. These radiographs were used in the training and testing of three different artificial neural network architectures. The test performances of the U-Net, Mask R-CNN, and YOLOv8 network models, trained on bitewing radiographs containing first molar teeth, are presented comparatively. While the best accuracy result in the segmentation of dental caries was obtained from Mask R-CNN with 95.03%, it was followed by U-Net with 90.88% and YOLOv8 with 90.61%, respectively. In treatment diagnosis, Mask R-CNN achieved an accuracy of 88.09%, while YOLOv8 and U-Net achieved accuracy results of 70.23% and 61.90%, respectively. In the Mask R-CNN network model, artificially generated low-dose radiographs were also tested. While an accuracy of 87.29% was achieved in the diagnosis of caries in artificially generated low-dose radiographs, an accuracy of 61.90% was obtained in disease diagnosis. Mask R-CNN was retrained and tested with a limited number of samples. The model demonstrated an average accuracy performance of 91.71% in the segmentation of caries. The performances of artificial intelligence-based caries diagnosis systems are presented in detail. As a result of the experiments, it was observed that decision support systems exhibit high performance. It was demonstrated that, at the clinical level, these systems can serve as effective and supportive tools.
Benzer Tezler
- Diş yapısının ve özelliklerinin belirlenmesinde panoramik radyografi görüntülerinin yapay öğrenme yöntemleri ile analizi
Analysis of panoramic radiography images with artificial learning methods in determination of teeth structure and features
AHMET KARAOĞLU
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CANER ÖZCAN
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Derin öğrenme teknikleri kullanılarak diş çürüğü tespiti ve numaralandırması
Dental caries detection and numbering using deep learning techniques
MELİKE IŞIK
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ YAŞAR
- Antirezorptif ilaç kullanan hastaların protetik tedavi sonrası çene kemiklerinin radyolojik olarak değerlendirilmesi
Radiologic determination of bone loss after prosthetic treatment in patients receiving antiresorptive drugs
BEGÜM ÜNLÜ KURŞUN
Diş Hekimliği Uzmanlık
Türkçe
2021
Diş Hekimliğiİzmir Katip Çelebi ÜniversitesiProtetik Diş Tedavisi Ana Bilim Dalı
DOÇ. DR. ENDER AKAN
- Antihiperlipidemik ilaç kullanan hastalarda dişlerin ve yapılmış endodontik tedavilerin incelenmesi
Investigation of TEETH and endodontic treatments in patients using antihyperlipidemic drugs
TAHA GÜLTEKİN
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiEge ÜniversitesiEndodonti Ana Bilim Dalı
PROF. DR. BERİVAN TUĞBA TÜRK SOMER