Derin öğrenme yöntemleri kullanılarak fungiform papilla sayısının belirlenmesi
Determination of fungiform papilla number using deep learning methods
- Tez No: 953629
- Danışmanlar: DR. ÖĞR. ÜYESİ UMUT SEKİ
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 105
Özet
Amaç Bu çalışmanın amacı, insan dilinin dorsal yüzeyindeki fungiform papillaların otomatik olarak tespit edilip sayılmasını sağlayacak derin öğrenme tabanlı bir yöntem geliştirmektir. Fungiform papilla sayısı; yaşlanma, sigara ve alkol kullanımı, anemi ve obezite gibi çeşitli faktörlere bağlı olarak bireyler arasında önemli ölçüde değişiklik gösterebilmektedir. Dil yüzeyinde ortalama 150–200 adet arasında bulunan bu yapıların elle sayımı zaman alıcı ve öznel sonuçlar doğurabilmektedir. Bu nedenle, çalışmada fungiform papillaların objektif ve tekrarlanabilir şekilde değerlendirilebilmesi için yapay zeka tabanlı güvenilir ve verimli bir yöntem sunulması amaçlanmıştır. Yöntem Bu çalışmada, insan dilinin dorsal yüzeyindeki fungiform papillaların otomatik tespiti ve sayımı amacıyla, Ultralytics YOLOv11 mimarisiyle derin öğrenme tabanlı bir nesne algılama modeli geliştirilmiştir. Toluidin mavisi ile boyanarak kontrastı artırılmış 177 yüksek çözünürlüklü dil görseli toplanmış, elle etiketlenerek eğitim veri seti oluşturulmuştur. Veri seti, eğitim-doğrulama (150 görsel) ve test (27 görsel) olmak üzere ikiye ayrılmıştır. Hiperparametre ayarları için 3 katlı iç içe çapraz doğrulama uygulanmış, nihai model yalnızca test verisiyle değerlendirilerek tarafsız performans ölçümü sağlanmıştır. Transfer öğrenme yaklaşımıyla modelin 22 omurga katmanı dondurulmuş, yalnızca rastgele başlatılmış tespit katmanları eğitime açılmıştır. Hiperparametre optimizasyonu Ray Tune ile yapılmış; öğrenme oranı ve düşürme faktörleri ayarlanmıştır. Eğitim sırasında, doğrulama performansı izlenmiş ve gelişme olmayan 5 ardışık epoch sonunda erken durdurma uygulanarak aşırı öğrenme riski azaltılmıştır. En iyi performans gösteren model, iç çapraz doğrulamadaki en yüksek ortalama mAP50-95 skoruna göre seçilmiş ve yalnızca test setinde değerlendirilerek tarafsız genelleme tahmini yapılmıştır. Bulgular Geliştirilen derin öğrenme tabanlı model, dil yüzeyindeki fungiform papillaların tespiti ve sayımında dengeli ve güvenilir bir performans sergilemiştir. Görülmemiş test verileri üzerinde modelin keskinlik değeri 0,678, hassasiyet 0,740 ve bu iki değerin harmonik ortalamasını yansıtan F1 skoru 0,707 olarak hesaplanmıştır. Bu değerler, modelin doğru pozitifleri tutarlı biçimde tespit ederken, yanlış pozitifleri de sınırlama konusunda başarılı olduğunu göstermektedir. Sayım doğruluğu açısından ise ortalama mutlak hata (OMH) 37,52 ve kök ortalama kare hata (KOKH) 43,83 olarak bulunmuştur. Gerçek papilla sayısının ortalama 192,56 ve standart sapmasının 63,14 olduğu dikkate alındığında, modelin hata değerlerinin veri içi değişkenlik sınırları içinde kaldığı görülmektedir. Sonuç Bu çalışmada geliştirilen derin öğrenme tabanlı nesne tanıma modeli, tüm dil yüzeyindeki fungiform papillaları başarıyla tanımlayıp sayabilmiştir. Model, 0.74 hassasiyet değeriyle gerçek papilla tespiti konusunda yüksek bir doğruluk sergilemiştir. Elde edilen bulgular, önerilen modelin fungiform papilla sayımında geleneksel manuel yöntemlere alternatif olarak güvenilir ve nesnel bir araç olarak kullanılabileceğini göstermektedir.
Özet (Çeviri)
Objective The aim of this study is to develop a deep learning-based method that enables the automatic detection and counting of fungiform papillae on the dorsal surface of the human tongue. The number of fungiform papillae can vary significantly between individuals due to factors such as aging, smoking, alcohol use, anemia, and obesity. These structures, which number between approximately 150–200 on the tongue surface, are time-consuming and subjective to count manually. Therefore, the study aims to provide a reliable and efficient artificial intelligence-based method for the objective and reproducible evaluation of fungiform papillae. Methods In this study, a deep learning-based object detection model was developed using the Ultralytics YOLOv11 architecture for the automatic detection and counting of fungiform papillae on the dorsal surface of the human tongue. A total of 177 high-resolution tongue images were collected and contrast-enhanced with toluidine blue staining. These were manually annotated to create the training dataset. The dataset was split into a training-validation set (150 images) and a test set (27 images). Three-fold nested cross-validation was used for hyperparameter tuning, and final performance was evaluated solely on the test set to ensure an unbiased assessment. A transfer learning approach was adopted, freezing 22 backbone layers of the model while training only the randomly initialized detection layers. Hyperparameter optimization was performed using Ray Tune by adjusting the learning rate and decay factors. During training, validation performance was monitored, and early stopping was applied after five consecutive non-improving epochs to prevent overfitting. The best-performing model was selected based on the highest mean mAP50–95 score across the inner folds and was evaluated only on the test set to provide an unbiased generalization estimate. Results The developed deep learning model demonstrated consistent and reliable performance in detecting and counting fungiform papillae on the tongue surface. On the unseen test dataset, the model achieved a precision of 0.678, a recall of 0.740, and an F1 score of 0.707. These values indicate the model's success in correctly identifying true positives while effectively limiting false positives. In terms of counting accuracy, the mean absolute error (MAE) was calculated as 37.52 and the root mean square error (RMSE) as 43.83. Given that the average number of true papillae was 192.56 with a standard deviation of 63.14, the model's error rates are considered within the bounds of natural variation in the data. Conclusion The deep learning-based object detection model developed in this study successfully identified and counted fungiform papillae across the entire tongue surface. With a recall value of 0.74, the model demonstrated high accuracy in detecting true papillae. The findings suggest that the proposed model can serve as a reliable and objective alternative to traditional manual counting methods.
Benzer Tezler
- Derin öğrenme yöntemleri kullanılarak anne sağlığı risk analizi yapılması
Maternal health risk analysis using deep learning methods
BURÇİN YÖNEL ÖNEM
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HACER KARACAN
- Derin öğrenme yöntemleri kullanılarak demans türü hastalıkların sınıfandırılması
Classification of dementia-type diseases using deep learning methods
RUMEYSA NEGİŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGÜR KARADUMAN
- Derin öğrenme yöntemleri kullanılarak tornalamada takım seslerinden takım aşınmasının tahmini
Prediction of tool wear from tool noises in turning using deep learning methods
RAMAZAN İLENÇ
Yüksek Lisans
Türkçe
2024
Makine MühendisliğiBatman ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAVAŞ KOÇ
- Derin öğrenme yöntemleri kullanılarak deepfake medya dosyalarının tespiti
Detection of deepfake media files using deep learning methods
RIFAT KÖSE
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT MERİÇELLİ
- Derin öğrenme yöntemleri kullanılarak Türkçe doküman sınıflandırma
Classification Turkish documents using deep learning techniques
MUSTAFA SARI
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET MURAT ÖZBAYOĞLU