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
- Tez No: 892546
- Danışmanlar: DOÇ. DR. HAMZA OSMAN İLHAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 71
Özet
Hastalıkların erken teşhisi ve doğru sınıflandırılması tedavi süreçlerini önemli ölçüde etkiler. Önerilen çalışma, derin öğrenme yöntemlerinin kullanımını ektopik erüpsiyon bölgelerinin tespiti ve şiddet sınıflandırması üzerine odaklanarak ele almaktadır. Çalışma kapsamında 5-9 yaş aralığındaki 168 çocuğun panoramik röntgen görüntülerini içermektedir. Bu görüntüler, uzman diş hekimleri tarafından ektopik erüpsiyon durumlarına göre (hafif, normal, orta, şiddetli) etiketlenmiştir. YOLOv8 derin öğrenme modeli kullanılarak yapılan analizlerde, dört farklı senaryo oluşturulmuş ve veri artırma teknikleri kullanılmıştır. Ektopik Erüpsiyon şiddet sınıflandırmasının da dahil edildiği ve veri arttırma yöntemleri kullanarak eğitilen model, \%55,76 doğruluk oranı ile en düşük performansı göstermiştir. Yine şiddet sınıflandırması içeren ancak sadece orjinal veri seti üzerinden eğitilen modelin doğruluk oranı ise \%62,54 olarak gözlemlenmiştir. Şiddet sınıflandırmasının önemsenmediği, verisetinin Ektopoik Erüpsiyon var/yok şeklinde düzenlenmiş versiyonunda ise hafif sınıfının dahil edildiği ve hafif, orta ile şiddetli sınıflarının birleştirildiği yaklaşımda \%72,75, hafif sınıfının çıkarılıp orta ile şiddetli sınıfların birleştirildiği yaklaşımda ise \%71,76 doğruluk oranları elde edilmiştir. Elde edilen sonuçlar, YOLOv8 modelinin, ektopik erüpsiyon bölgelerini tespit etme ve şiddetlerini sınıflandırmada etkili bir araç olduğunu göstermektedir. Bu çalışma, derin öğrenme yöntemlerinin diş hekimliği alanında teşhis ve sınıflandırma süreçlerine katkı sağlayabileceğini vurgulamaktadır. Sonuç olarak, derin öğrenme modellerinin kullanımıyla ektopik erüpsiyonların erken teşhisinde ve doğru sınıflandırılmasında önemli bir ilerleme sağlanabileceği öne sürülmektedir.
Özet (Çeviri)
The early diagnosis and accurate classification of diseases significantly impact treatment processes. The proposed study focuses on the use of deep learning methods for the detection and severity classification of ectopic eruption areas. The study includes panoramic X-ray images of 168 children aged 5-9 years. These images were labeled by expert dentists according to ectopic eruption conditions (mild, normal, moderate, severe). In the analysis using the YOLOv8 deep learning model, four different scenarios were created, and data augmentation techniques were employed. The model trained with data augmentation techniques, including ectopic eruption severity classification, exhibited the lowest performance with an accuracy rate of 55.76\%. Conversely, the accuracy rate of the model trained only on the original dataset with severity classification was observed to be 62.54\%. In the version of the dataset where ectopic eruption presence/absence was considered without emphasizing severity, including the mild class, the approach achieved an accuracy rate of 72.75\%, while excluding the mild class and combining the moderate and severe classes resulted in an accuracy rate of 71.76\%. The results indicate that the YOLOv8 model is an effective tool for detecting ectopic eruption areas and classifying their severity. This study highlights the contribution of deep learning methods to the diagnosis and classification processes in dentistry. In conclusion, it is suggested that significant progress can be made in the early diagnosis and accurate classification of ectopic eruptions through the use of deep learning models.
Benzer Tezler
- Derin öğrenme yöntemleri ile görüntü üzerinden yoklama sistemi tasarımı
Attendance system design from image with deep learning methods
ULAŞ ARLI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTekirdağ Namık Kemal ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERCAN BULUŞ
- Derin öğrenme yöntemleri ile anomali tespiti
Anomaly detection with deep learning methods
YUSUF ŞALK
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ÇEVİKALP
- Derin öğrenme yöntemleri ile medikal bilgi çıkarımı
Medical information extraction with deep learning methods
AZER ÇELİKTEN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN BULUT
PROF. DR. AYTUĞ ONAN
- Derin öğrenme yöntemleri ile MODIS tabanlı NDVI ve LST zaman serilerinin kestirimi ve kuraklık şiddetinin araştırılması
Prediction of MODIS-based NDVI and LST time series and investigation of drought severity using deep learning methods
EMİRCAN BUĞA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DOÇ. DR. MUZAFFER CAN İBAN
- Derin öğrenme yöntemleri ile uydu görüntülerinden gemilerin tespiti ve sınıflandırılması
Detection and classification of ships from satellite images using deep learning methods
MEHMET SAMİ TÜRKER
Yüksek Lisans
Türkçe
2024
Savunma ve Savunma TeknolojileriKırıkkale ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENES AYAN