Optimize edilmiş çok katmanlı evrişimsel sinir ağı modelleri ile diş türlerinin otomatik sınıflandırılması
Automatic classification of tooth types with optimized multilayer convolutional neural network models
- Tez No: 860393
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖZGÜR ERGÜL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 48
Özet
Otomatik diş tipi tanıma; diş sağlığı, adli odontoloji ve yaş tahmini gibi konularda kritik bir role sahiptir. Derin öğrenme işlemi, diş bilimi alanında ve dijital diş radyografilerinin analiz edilmesi konusunda potansiyeli yüksek bir husustur. Diş ve diş problemlerinin manuel teşhisinden sıyrılıp, makine destekli bir sinir ağı ile diş hekimlerine sağlanacak faydanın artırılması oldukça önemlidir. Bu çalışmada panoramik diş radyografilerinden elde edilen tek diş görüntüleri; kesici diş, köpek dişi, azı dişi ve küçük azı dişi olarak dört sınıfa ayrıldı. Veri setini oluşturan görüntüler, dört farklı evrişimsel sinir ağı modelini eğitmek ve test etmek için kullanıldı. Ayrıca performans olarak diğer iki modele kıyasla daha üstün başarı gösteren Resnet152 ve Mobilenetv2 modelleri optimizasyon işlemi için seçildi. Modelin omurga kısmındaki ağ derinliği, filtre boyutu ve artık katmanın modifikasyonunun modellere etkisi incelendi. Modellerin performansları karışıklık matrisinden elde edilen doğruluk, kesinlik ve duyarlılık değerleri ile ölçüldü. %84,25 olan, en yüksek doğrulu8k değerine adım adım modifikasyon ile ulaşılan model Mobilenetv2.4'tür. Evrişimsel katman sayısındaki artışın ağa etkisinin, filtre boyutu ve artık katman parametrelerinin etkisinden daha fazla olduğu gözlemlendi. Diş karakteristiğine uygun şekilde otomatik diş tanıma işleminin yapılması; dişçilik alanında dişlerin, diş kayıtlarıyla yüksek doğruluk ve kesinlik oranları ile eşleşmesini sağlamaktadır.
Özet (Çeviri)
Automatic tooth type identification has a critical role in issues such as dental health, forensic odontology and age estimation. Deep learning has high potential in the field of dental science and in analyzing digital dental radiographs. It is very important to get rid of manual diagnosis of teeth and dental problems and increase the benefit to dentists with a machine-supported neural network. In this study, single tooth images are obtained from panoramic dental radiographs. They were divided into four classes: incisor, canine, molar and premolar. The images that make up the dataset were used to train and test four different convolutional neural network models. In addition, Resnet152 and Mobilenetv2 models, which showed superior performance compared to the other two models, were selected for the optimization process. The effect of modification of the network depth, filter size and residual layer in the backbone part of the model that is on the models was examined. The performance of the models was measured by the accuracy, precision and sensitivity values obtained from the confusion matrix. The model with the highest accuracy value of 84.25%, achieved by step-by-step modification, is Mobilenetv2.4. It was observed that the effect of the increase in the number of convolutional layers on the network was greater than the effect of the filter size and residual layer parameters. Performing automatic tooth identification in accordance with tooth characteristics ensures that teeth are matched with dental records with high accuracy and precision in the field of dentistry.
Benzer Tezler
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Comparing audio features for speech emotion recognition using machine learning algorithms
Konuşmadan duygu çıkarımı için makine öğrenimi algoritmaları kullanılarak ses özelliklerinin karşılaştırılması
FATMA GÜMÜŞ
Yüksek Lisans
İngilizce
2022
Bilim ve TeknolojiMEF ÜNİVERSİTESİBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUNA ÇAKAR
- Hiperspektral görüntü ve LiDAR verisinin derin öğrenme ile sınıflandırılması
Classification of hyperspectral and LIDAR data with deep learning
HÜSEYİN EMRE MUTLU
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SENİHA ESEN YÜKSEL
- Evrişimsel sinir ağları ve çekirge optimizasyon algoritması kullanarak kolon kanser hastalığı tesbiti
Colon cancer disease diagnose with convolutional neural network and grasshopper optimization algorithm
AMNA ALI A MOHAMED
Doktora
Türkçe
2024
Mühendislik BilimleriKastamonu ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
PROF. DR. AYBABA HANÇERLİOĞULLARI
- A computable vitality: Kenzo Tange's architectural system
Hesaplanabilir canlılık: Kenzo Tange'nin mimari sistemi
CANSU TOLUNAY BERBER