Derin öğrenme algoritmaları ile dental implant markalarının otomatik tanımlanması
Automatic identification of dental implant brands with deep learning algorithms
- Tez No: 937093
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖZDE AÇIKGÖZ
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: dental implant, derin öğrenme, otomatik tanımlama, dental implant, deep learning, automated identification
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Pamukkale Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Dental implant markasının belirlenememesinden kaynaklanan problemlerin azaltılmasının bir yolu olarak panoramik radyografiler üzerinden çeşitli dental implant markalarının derin öğrenme algoritmalarıyla sınıflandırılması amaçlanmıştır. Yöntem: Toplam 5375 kırpılmış panoramik radyografiden dört farklı dental implant sistemine (NucleOSS, Medentika, Nobel ve Implance) ait görüntüler kullanılmıştır. Görüntüleri netleştirmek ve bulanıklığı azaltmak amacıyla Contrast Limited Adaptive Histogram Equalization (CLAHE) filtresi uygulanmıştır. Dört farklı dental implant sistemini sınıflandırmak için GoogleNet, ResNet-18, VGG16 ve ShuffleNet derin öğrenme algoritmaları kullanılmıştır. Algoritmaların sınıflandırma başarısını değerlendirmek için ROC eğrisi ve hata matrisleri oluşturulmuştur. Bu hata matrisleri üzerinden doğruluk, kesinlik, duyarlılık ve F1 skoru hesaplanmıştır. Performans metriklerinin sonuçlarının algoritmalara göre karşılaştırılmasında Z testi kullanılmıştır. Bulgular: Derin öğrenme algoritmalarının doğruluk oranları GoogleNet oranı %96,00, ResNet-18 oranı %84,40, VGG16 oranı %98,90 ve ShuffleNet oranı %84,80 olarak elde edilmiştir. VGG16 algoritması ile GoogleNet, ShuffleNet ve ResNet-18 algoritmalarının doğruluk oranları arasında istatistiksel olarak anlamlı bir fark vardır (sırasıyla p<0,001, p<0,001, p<0,001). ROC eğrileri incelendiğinde kullanılan dört algoritmada da ROC eğrisi (0,1) noktasına yakın olup, modelin iyi performans gösterdiği bulgusu elde edilmiştir. Hata matrisleri incelendiğinde ise kullanılan tüm algoritmalarda NucleOSS ve Medentika markaları en sık karıştırılan dental implant markaları olmuştur. Sonuç: Yüksek doğruluk oranlarının elde edilmesi ile birlikte derin öğrenme algoritmalarının, dental implant markalarının belirlenmesinde kullanılabilecek değerli ve güçlü bir yöntem olduğu düşünülmektedir.
Özet (Çeviri)
Objevtive: The aim was to classify various dental implant brands using deep learning algorithms on panoramic radiographs as a way to reduce problems arising from the inability to determine the brand of dental implants. Method: Images from a total of 5375 cropped panoramic radiographs belonging to four different dental implant systems (NucleOSS, Medentika, Nobel, and Implance) were used. To enhance the images and reduce blurriness, the Contrast Limited Adaptive Histogram Equalization (CLAHE) filter was applied. The deep learning algorithms GoogleNet, ResNet-18, VGG16, and ShuffleNet were employed to classify the four different dental implant systems. To evaluate the classification performance of the algorithms, ROC curves and confusion matrices were generated. Based on these confusion matrices, accuracy, precision, recall, and F1 scores were calculated. The Z-test was used to compare the results of the performance metrics across the algorithms. Results: The accuracy rates of the deep learning algorithms were obtained as 96.00% for GoogleNet, 84.40% for ResNet-18, 98.90% for VGG16, and 84.80% for ShuffleNet. There was a statistically significant difference in accuracy between the VGG16 algorithm and the GoogleNet, ShuffleNet, and ResNet-18 algorithms (p<0.001, p<0.001, and p<0.001, respectively). Upon examining the ROC curves, it was found that the ROC curves for all four algorithms were close to the (0,1) point, indicating good model performance. Analysis of the confusion matrices revealed that the NucleOSS and Medentika brands were the most frequently confused dental implant brands across all algorithms. Conclusion: The high accuracy rates suggest that deep learning algorithms are considered a valuable and powerful method for potential use in determine the brands of dental implant.
Benzer Tezler
- Türkiye'de aile planlaması çalışmalarında erkeklerin önemi, hastane personeli ile fabrika işçilerinin doğum kontrol yöntemlerine karşı tutum ve davranranışlarında farklılığın araştırılması
Başlık çevirisi yok
KAMİL MALKOÇLU
Yüksek Lisans
Türkçe
1987
Demografiİstanbul ÜniversitesiAile Sağlığı Ana Bilim Dalı
DOÇ. DR. DERİN KÖSEBAY
- Değişik derim zamanı ve önsoğutmanın Bursa siyahı incir çeşidinin meyve kalitesi ve pazarlama süresi üzerine etkileri
Effects of haruest time and precooling on fruit quality and shelf-life of the fig variety“Bursa siyahı”
FÜSUN GÜRSEL ÇELİKEL
- Tekstil boyamacılığında atık flottede boyama imkanları üzerine araştırma
Başlık çevirisi yok
MEHMET YAKARTEPE
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. KERİM DURAN
- Ön işlemenin ve askorbik asitin dondurularak depolanan yılan balıklarının (Anguilla anguilla) kalitesine etkileri
Başlık çevirisi yok
H.VOLKAN GÖKSEL
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiSu Ürünleri Ana Bilim Dalı
DOÇ. DR. AYDIN URAL
- Antakya tarihi ticaret merkezi mekansal yapı değişim ve gelişim sürecinin kent ticaret merkezi planlamasına etkinliği
The Effectiveness of spatial structural chance and development period of the historical trade center of Antakya in the urban trade planning
NEVİN TURGUT
Yüksek Lisans
Türkçe
1986
Şehircilik ve Bölge PlanlamaGazi ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
YRD. DOÇ. DR. NURCAN UYDAŞ