Panoramik radyograflarda derin öğrenme modelleri kullanılarak kimliklendirme
Identification of panoramic radiographs using deep learning models
- Tez No: 932891
- Danışmanlar: PROF. DR. ESİN BOZDEMİR
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Panoramik radyografi, Derin öğrenme, Kimliklendirme, Adli diş hekimliği, Yapay zeka, Panoramic radiograph, Deep learning, Identification, Forensic dentistry, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 118
Özet
Amaç: Dental biyometri, dental veriler ve bulgular kullanılarak bireylerin kimliklendirilmesini sağlar. Özellikle afetler veya kazalar sonucunda yumuşak dokuların zarar gördüğü durumlarda, ölen kişilerin diş görüntüleri analiz edilir. Bu süreçte, diş konturları, restorasyonlar, sayısı, şekli ve konumları gibi özellikler karşılaştırılarak güvenilir kimlik belirleme yapılır. Radyografik diş görüntülerinden biyometrik kimliklendirme üzerine mevcut çalışmalar bulunmakla birlikte, daha fazla araştırmaya ihtiyaç vardır. Bu çalışmada, derin öğrenme modelleri kullanılarak dental panoramik radyograflarda kimliklendirme yapılması, bu modellerin performansının karşılaştırılması ve en başarılı modelin tespit edilmesi hedeflenmiştir. Gereç ve Yöntem: Bu retrospektif çalışmada, 450 hastaya ait 986 panoramik radyograf görüntüsü incelendi. Panoramik radyograflardan 10 farklı ilgi alanı (Region of Interest - ROI) seçilerek toplamda 9860 ROI içeren 10 veri seti oluşturuldu. Önceden eğitilmiş derin öğrenme modelleri olan DenseNet-201, VGG-16, VGG-19, MobileNet ve ResNet-50, bu ROI'lerden öznitelik çıkarmak için kullanıldı. Elde edilen öznitelik vektörleri arasında benzerlik hesaplamak amacıyla Kosinüs Benzerliği, Öklid mesafesi, Jaccard benzerliği, Sørensen-Dice katsayısı ve Pearson korelasyonu metrikleri uygulandı. Bu değerlendirmeler sonucunda, en benzer görüntüler belirlenerek kimliklendirme doğruluğu hesaplandı. Bulgular: Bu tez çalışmasında panoramik radyograflarda kimliklendirme için en yüksek performans, maksilla ve mandibulanın sağ yarısı ve maksilla ve mandibulanın sağ bölgesindeki dişleri içeren ROI 5'te DenseNet201 modeli ile elde edildi. Jaccard ve sørensen–dice benzerlik ölçütlerine göre, bu modeldeki birinci sıradaki eşleşme oranı (Rank-1) %90,67 olarak belirlendi. Tüm modellerin en yüksek performans sonuçları yine ROI 5'te gözlemlenmiştir. ROI bölgeleri arasında benzerlik metrikleriyle yapılan karşılaştırmada, en yüksek başarı MobileNet modeliyle, en düşük başarı ise ResNet-50 modeliyle elde edildi. Sonuç: Derin öğrenme modellerinin panoramik radyograflarda kimliklendirme süreçlerinde başarılı bir şekilde kullanılabileceği tespit edildi. Çalışmanın sonuçları derin öğrenmenin kimliklendirme alanındaki etkinliğinin, özellikle kitlesel afet durumlarında adli tanımlama sistemlerine önemli katkılar sağlayabileceğini göstermiştir.
Özet (Çeviri)
Aim: Dental biometrics enables the identification of individuals using dental data and findings. Dental images of deceased individuals are analysed, especially in cases where soft tissues are damaged as a result of disasters or accidents. In this process, reliable identification is made by comparing features such as tooth contours, restorations, number, shape and position. Although there are existing studies on biometric identification from radiographic dental images, more research is needed. In this study, it is aimed to perform identification on dental panoramic radiographs using deep learning models, to compare the performance of these models and to determine the most successful model. Materials and Methods: In this retrospective study, 986 panoramic radiograph images of 450 patients were analysed. Ten datasets containing a total of 9860 ROIs were created by selecting 10 different Region of Interest (ROI) from panoramic radiographs. The pre-trained deep learning models DenseNet-201, VGG-16, VGG-19, MobileNet and ResNet-50 were used to extract features from these ROIs. Cosine similarity, Euclidean distance, Jaccard similarity, Sørensen-Dice coefficient and Pearson correlation metrics were applied to calculate the similarity between the feature vectors. As a result of these evaluations, the most similar images were identified and identification accuracy was calculated. Results: In this thesis, the highest performance for identification on panoramic radiographs was achieved with the DenseNet201 model in ROI 5, which includes the right half of the maxilla and mandible and the teeth in the right region of the maxilla and mandible. According to Jaccard and Sørensen-Dice similarity measures, the Rank-1 matching rate in this model was 90,67%. The highest performance results of all models were again observed in ROI 5. In the comparison of similarity metrics between ROI regions, the highest success was obtained with the MobileNet model and the lowest success was obtained with the ResNet-50 model. Conclusion: It was determined that deep learning models can be successfully used in identification processes in panoramic radiographs. The results of the study showed that the effectiveness of deep learning in the field of identification can make significant contributions to forensic identification systems, especially in mass disaster situations.
Benzer Tezler
- Evaluation of fixed restorations on panoramic radiographs using deep learning and auto-crop
Derin öğrenme ve oto-kırpma kullanılarak panoramik radyograflarda sabit restorasyonların değerlendirilmesi
AHMET ESAD TOP
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA YENİAD
DOÇ. DR. MAHMUT SERTAÇ ÖZDOĞAN
- 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
- Maksiller 3.molar dişlerde panoramik radyografinin etkinliğinin konik ışınlı bilgisayarlı tomografiyle elde edilen bulgularla geliştirilmiş yapay zeka modeli üzerinde değerlendirilmesi
Evaluation of the efficiency of panoramic radiography in maxillary third molar teeth on artificial intelligence model developed by findings obtained by cone beam computed tomography
ESRA AYDEMİR KADAN
Doktora
Türkçe
2024
Diş HekimliğiAtatürk ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
PROF. DR. SAADETTİN DAĞİSTAN
PROF. DR. ÖZKAN MİLOĞLU
- 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
- Periapikal lezyonların belirlenmesinde klinik ve radyografik bulguların yapay zeka algoritmalarıyla değerlendirilmesi
Evaluation of clinical and radiographic findings with artificial intelligence algorithms for detecting periapical lesion
HASİBE TAŞKIN
Doktora
Türkçe
2024
Diş HekimliğiSüleyman Demirel ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
PROF. DR. DERYA YILDIRIM