Panoramik radyografi kullanılarak iki farklı derin öğrenme metodunun dişlerin sınıflandırılması üzerindeki performanslarının karşılaştırılmalı olarak incelenmesi
Comparative investigation of the performances of two different deep learning methods on classification of teeth using panoramic radiography
- Tez No: 706692
- Danışmanlar: DOÇ. DR. EMİN MURAT CANGER
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Derin Öğrenme, Evrişimsel Sinir Ağları, Yapay Zeka, YOLO, Faster R-CNN, Deep Learning, Convolutional Neural Networks, Artificial Intelligence, YOLO, Faster R-CNN
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 125
Özet
Önemli bir yardımcı tanı aracı olarak, günlük olarak çok sayıda dental radyograf çekilir. Radyograflar hekimlere diş çürükleri, periapikal lezyonlar veya odontojenik kistler gibi çıplak gözle her zaman görülmeyen patolojilerin kanıtlarını sağlayan temel bir teşhis aracıdır. Radyografları yorumlama işi öncelikle diş hekimleri tarafından yapıldığından hekimin klinikteki zamanını alması ve yorgunluk, duygular ve düşük deneyim seviyeleri gibi kişisel faktörlerden etkilenmesi nedeniyle yanlış tanıya veya eksik tanıya neden olabildiği görülmüştür. Ayrıca radyolojik yorumlamanın en yaygın engellerinden biri, yanlış tanıların %60-80'ini oluşturan algısal hatalardır. Bu nedenle dental radyografik analiz sırasında yanlış yorumlama kaçınılmaz olabilmektedir. Diş hekimliğinde tanı kalitesini artırmak için akıllı dental radyograf yorumlama araçları geliştirilirse, bir diş hekiminin iş yükü ve yanlış teşhis oluşumları azaltılabilir. Bu açıdan bakıldığında, dijitalleştirilmiş filmler kullanılarak otomatik diş tanımlama, akıllı sağlık hizmetleri için önemli bir gelişme olacaktır. Bu tez çalışmasında YOLO-V4 ve Faster R-CNN modellerinin panoramik radyografilerde dişlerin tespiti ve FDI sistemine göre numaralandırma performansları karşılaştırılmıştır. YOLOV4 Ortalama Hassasiyet (Precision): %99,87; Gerçek Pozitif Değerlerin Oranı (Sensitivity, Recall): %99,74 ve F1 skoru: %99,80 değerleri ile literatürde özellikle son yıllardaki çalışmalarla oldukça uyumludur ve başarılı performans göstermiştir. Faster R-CNN modeli ise Ortalama Hassasiyet (Precision): %97,27; Gerçek Pozitif Değerlerin Oranı (Sensitivity, Recall): %90,41ve F1 skoru: %93,71 değerlerine sahipti. YOLOV4 çalışma hızının Faster R-CNN çalışma hızından yaklaşık 8 kat daha hızlı bulunması ile YOLOV4'ün tüm alanlardaki performans değerleri Faster R-CNN'den daha başarılı bulunmuştur. Tüm bu bilgiler avantaj ve dezavantajlardan da yola çıkılarak çalışmamızda YOLO V4 ün Faster R-CNN' den her değerlendirme metriğinde performans olarak daha başarılı olduğu görülmektedir.
Özet (Çeviri)
A large number of dental radiographs are taken daily as an important ancillary diagnostic tool. Radiographs are an important diagnostic tool that provides physicians with evidence of pathologies that are not always visible to the naked eye, such as dental caries, periapical lesions or odontogenic cysts. Since the work of interpreting radiographs is primarily done by dentists, it has been observed that it can cause misdiagnosis or underdiagnosis because it takes the time of the physician in the clinic and is affected by personal factors such as fatigue, emotions, and low experience levels. In addition, one of the most common obstacles to radiological interpretation is perceptual errors, which account for 60-80% of misdiagnosis. Therefore, misinterpretation may be inevitable during dental radiographic analysis. If smart dental radiograph interpretation tools are developed to improve diagnostic quality in dentistry, a dentist's workload and misdiagnosis occurrences can be reduced. From this perspective, automatic dental identification using digitized films will be an important development for smart healthcare. In this thesis study, the teeth detection and numbering performances of the YOLO-V4 and Faster R-CNN models were compared on dental panoramic radiography. The YOLO-V4 model has an 99.87% of Average Precision; 99.74% of Sensitivity, Recall and 99.80% of F1 score. The Faster R-CNN model has 97.27% of Average Precision; 90.41% of Sensitivity, Recall and 93.71% of F1 score. By the way the YOLO-V4 method is more useful than the Faster R-CNN method in real-time tooth segmentation because the computation time is approximately 8 times less. The experimental evaluations showed that the YOLO-V4 method was more successful than the Faster R-CNN method in terms of the accuracy of the predicted tooth in the tooth segmentation process.
Benzer Tezler
- Derin öğrenme yöntemiyle geliştirilmiş yapay zekâ algoritmalarıyla panoramik radyografilerde dens invaginatus tespiti
Detection of dens invaginatus in panoramic radiographs with artificial intelligence algorithms developed with deep learning method
ESRA NUR AKGÜL
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiAfyonkarahisar Sağlık Bilimleri ÜniversitesiÇocuk Diş Hekimliği Ana Bilim Dalı
DOÇ. DR. BURCU GÜÇYETMEZ TOPAL
- Konik ışınlı bilgisayarlı tomografi ile tespit edilen mandibular ikinci molarlardaki C şekilli kanalların panoramik radyograflar üzerinde tespit edilme doğruluklarının derin öğrenme yöntemiyle geliştirilmiş yapay zekâ algoritmalarıyla değerlendirilmesi
Evaluation of the accuracy of detecting c-shaped canals in mandibular second molars identified by cone-beam computed tomography on panoramic radiographs using artificial intelligence algorithms developed with deep learning methods
OZAN UYSAL
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiPamukkale ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
PROF. DR. HAYATİ MURAT AKGÜL
- Gömülü mandibular üçüncü molar dişlerin pozisyon özelliklerinin yapay zeka ile değerlendirilmesi
Evaluation of the position characteristics of impacted mandibular third molars with artificial intelligence
EZGİ TÜRK
Diş Hekimliği Uzmanlık
Türkçe
2021
Diş HekimliğiSüleyman Demirel ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZLEM GÖRMEZ
- Panoramik radyografik görüntüleri kullanan derin öğrenme tabanlı otomatik diş bölütleme yaklaşımı
Deep learning based automated teeth segmentation approach using panoramic radiographic images
CEREN SÖZERİ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇanakkale Onsekiz Mart ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BAHADIR KARASULU
- Çocuk hastalarda hipodonti tespitinde iki farklı derin öğrenme algoritmasının karşılaştırılması ve performans analizi
Comparison and performance analysis of two different deep learning algorithms in the diagnosis of hypodontia in pediatric patients
YASEMİN İSPİR METİN
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiGaziantep ÜniversitesiÇocuk Diş Hekimliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEHRA GÜNER